La Simulacin Condicional en un Depsito Minero.

por Marco Antonio Alfaro Sironvalle

Ingeniero Civil de Minas (U. de Chile) Doctor en Geoestadstica (ENSM Pars)

Profesor de Probabilidades y de Procesos Estocsticos, Universidad de Chile Profesor de Evaluacin de Recursos Mineros, USACH Profesor de evaluacin de Recursos Mineros, U. de Concepcin Profesor del post grado de Activos Mineros, U. Catlica de Valparaso

2008

Una cita:

Construccin de Modelos Numricos de Yacimientos Mineros.

Los mtodos llamados de simulacin muy utilizados, en particular, en el dominio de las ciencias econmicas consisten en construir un modelo matemtico de un fenmeno natural. Estas

simulaciones permitirn de controlar el valor de las ideas tericas que han servido de base para la construccin del modelo porque se puede examinar en qu medida las propiedades deducidas del estudio matemtico del modelo imitan, o simulan, las propiedades del fenmeno real. Inversamente, las simulaciones pueden conducir al descubrimiento de nuevas leyes acerca del fenmeno real, la experimentacin es infinitamente ms fcil de realizar sobre un modelo puramente matemtico. Sera interesante para el geoestadstico saber construir modelos numricos de yacimientos mineros, es decir, ser capaz de alinear series de cifras, las cuales presentan las mismas caractersticas que las que se piensa atribuir a la sucesin en el espacio de las leyes de un yacimiento real.

G. Matheron: Nota geoestadstica N 26, Construccin de modelos numricos de yacimientos mineros, ENSM Pars, 1960.

Otra cita:

La simulacin es mejor que la realidad !

R. W. Hamming, The art of Probability, 1991.

LA SIMULACION DE LEYES EN UN DEPOSITO MINERO.

I. Introduccin. La simulacin condicional de leyes (o en general simulacin de una variable regionalizada) es en la actualidad una herramienta importante en las aplicaciones prcticas de la geoestadstica. Sin embargo la creacin de esta teora, su formulismo y su implementacin prctica se remontan a principios de la dcada de los 70, principalmente en el Centro de Geoestadstica de Fontainebleau, Centro de Investigacin de la Escuela Nacional Superior de Minas de Pars, dirigido en ese entonces por el geomatemtico francs Dr. Georges Matheron (1930-2000).

I. 1. Definicin de la simulacin condicional. Por definicin, llamaremos simulacin de una funcin aleatoria a la obtencin numrica de una o varias realizaciones. Si consideramos una variable regionalizada conocida en los puntos experimentales x1, x2, ..., xN : La simulacin condicional consiste en construir una realizacin que posee el mismo histograma por consiguiente la misma ley media y la misma varianza , el mismo variograma que los datos disponibles, adems de estar condicionada por estos datos experimentales z(x1), z(x2), . . . , z(xN). Es decir, donde existen datos, simulacin y realidad coinciden. La figura 1 muestra dos simulaciones condicionales en una dimensin. Se observa que todo estimador, en particular el krigeado, alisa la realidad, mientras que la simulacin respeta la variabilidad real de las leyes.

Figura 1: Dos simulaciones condicionales en el espacio de una dimensin. La simulacin coincide con la realidad donde sta es conocida, es decir en los puntos x1, x2, ..., xN. La realidad est constituida por las leyes z(x1), z(x2), ... , z(xN) en los puntos condicionantes. Simulacin y realidad tienen las mismas estadsticas (histograma, media y varianza) y el mismo variograma.

Existe toda una matemtica que permite obtener realizaciones condicionales de una funcin aleatoria, con las condiciones mencionadas, tal como veremos ms adelante. El ejemplo siguiente (M. Alfaro, 1979) muestra bien la diferencia entre estimacin y simulacin condicional y ha sido reproducido en varias publicaciones acerca de la simulacin condicional (ver C. Lantujoul 2001, J. P. Chils y P. Delfiner, 2000): Estimacin versus simulacin: Sobre una lnea L se conoce la profundidad z(x) del mar cada 10 m. Nos proponemos resolver el problema siguiente: si se conoce la profundidad del mar cada 100 m (ver figura 2), Cul es la longitud de un cable submarino que debe reposar sobre el fondo del mar?

Si se observa la figura, se ve bien que el krigeado (u otro estimador) subestima la longitud del cable y que la simulacin condicional responde bien a nuestro problema.

Figura 2: Clculo de la longitud de un cable submarino el cual debe reposar en el fondo del mar. Con el krigeado quedamos cortos de cable (a) datos iniciales, (b) krigeado, (c) perfil verdadero, (d) perfil simulado. Corresponde a la instalacin de un cable submarino en el sur de Espaa.

Para los primeros 200 m se tiene la tabla siguiente:

Realidad

Longitud real acumulada

Simulacin zs(x)
146 130 125 111 114 123 109 109 108 102 86 83 96 108 121 135 149 170 164 167 194

Longitud simulada acumulada

18.9 30.1 47.2 57.7 71.1 88.3 98.3 108-4 120.0 138.9 149.4 165.8 181.4 197.7 215.0 232.2 255.4 267.1 277.5 306.3

1er dato

2 dato

3er dato

146 143 142 148 134 141 127 132 111 94 86 104 121 136 140 156 168 167 171 185 194

10.4 20.5 32.1 50.4 62.6 79.8 91.0 114.2 133.9 146.8 167.3 187.1 205.1 215.9 234.7 250.3 260.4 271.2 288.3 301.8

Se tiene entonces: longitud real longitud simulada = = 301.8 m 306.3 m

Este ejemplo nos muestra que la simulacin condicional no debe ser utilizada para estimar la variable regionalizada. En efecto, por ejemplo, en el punto x0 de la figura 2, es mejor estimar la profundidad del mar por el krigeado que por la simulacin. La figura 3 presenta una simulacin condicional en un banco de una mina de cobre a cielo abierto. Se observa en esta figura el alisamiento que produce el krigeado, la presencia de una anisotropa y que la simulacin condicional respeta, en particular, el histograma de las leyes de cobre. Los dos ejemplos presentados se refieren a leyes de mineral pero se puede simular otro tipo de variables (potencia mineralizada, porosidad de la roca, densidad de la roca., etc...).

Figura 3: Simulacin condicional en un banco de una mina de cobre a cielo abierto. Se observa que la simulacin respeta el histograma (las zonas de baja ley son ms que las zonas de alta ley) y reproduce las anisotropas (por intermedio del variograma). Se observa tambin la presencia de un efecto de pepita que el krigeado no puede reflejar. La simulacin puede ser conocida en cualquier punto del depsito, en este caso, en una malla de 2 metros x 2 metros.

La simulacin produce valores numricos en los nodos de una grilla extremadamente cerrada en comparacin con la malla de muestreo existente.

En la figura 4 siguiente aparece el krigeado y algunas simulaciones condicionales de un depsito tipo manto subhorizontal de fsforo. Se han simulado 100 realizaciones condicionales para la potencia del manto en metros y para la ley de P2O5 en (%) :

Figura 4: Simulacin condicional de la potencia mineralizada en un manto correspondiente a una mina de fosfatos. Se observa el alisamiento producido por el krigeado.

El objetivo de construir 100 simulaciones del manto (potencia y ley) fue para estudiar la variabilidad de los ndices econmicos del proyecto, los cuales dependen, de manera importante del tonelaje y de la ley. Sin las simulaciones se tendra un solo valor para la potencia y para la ley... Con las 100 simulaciones se tienen 100 realizaciones de valores presentes netos los cuales permiten caracterizar, probabilsticamente los ndices econmicos del proyecto minero.

Figura 5: Simulacin condicional de las leyes de fosfato P2O5.

I. 2. Simulacin de conjuntos aleatorios. Simulacin de unidades geolgicas. Un conjunto aleatorio corresponde al caso particular de una funcin aleatoria la cual puede tomar solo dos valores 0 1. El valor 1 se llama (arbitrariamente) grano (y se pinta de color negro) y el valor 0 se llama poro (y se pinta de color blanco). La figura 6 muestra una realizacin del conjunto aleatorio la luna junto a los variogramas de varias realizaciones.

Figura 6: Simulacin no condicional de la luna. La lnea horizontal en el grfico de la derecha representa la varianza de la realizacin. Se observa que las fluctuaciones de los variogramas de las diferentes realizaciones son enormes.

Figura 7: Simulacin condicional de la luna. Las fluctuaciones de los variogramas de las realizaciones son ms moderadas.

Figura 8: Realizacin no condicional de un conjunto aleatorio obtenido al aplicar un valor de corte a una realizacin de una funcin aleatoria.

La simulacin condicional de conjuntos aleatorios es importante en la simulacin condicional de un borde geolgico. En algunos casos el modelo matemtico es bastante complicado. El caso anterior corresponde a la simulacin de dos facies o unidades. En el caso de simular ms facies, la situacin se complica y hay que utilizar mtodos ms elaborados como el mtodo gaussiano cortado y el mtodo pluri gaussiano.

El mtodo gaussiano cortado consiste en obtener una realizacin de una funcin aleatoria Y(x, y) gaussiana reducida (con media 0 y varianza 1) y luego aplicar diferentes cortes o intervalos del tipo a < Y b a la realizacin, los cuales definen las unidades.

10

Figura 9: Simulacin del modelo gaussiano cortado. A la izquierda la realizacin gaussiana reducida (colores claros indican valores altos, oscuros, valores bajos), a la derecha el conjunto aleatorio resultante con 4 unidades, definidas por los intervalos.

La figura 10 muestra una simulacin condicional utilizando el mtodo gaussiano cortado en la mina de cobre MMH. En esta mina existen cuatro unidades: Brecha, C5 , C1 y estril, las cuales verifican las relaciones de inclusin siguientes:

Brecha C5 C1 estril

La simulacin obtenida muestra que la unidad brecha no es tan continua como se crea y la presencia de estril dentro del slido mineralizado.

11

Figura 10: Simulacin condicional de la geologa en un banco de un depsito de cobre. Existen 4 facies: Brecha, C5 , C1 y estril.

12

Las plurigaussianas. Sean dos funciones aleatorias independientes Y1(x, y) e Y2(x, y) las cuales son gaussianas reducidas y toman sus valores (Y1 , Y2) en el plano, el cual ha sido particionado en zonas D1, D2, D3, ... , las cuales se pintan con ciertos colores:

Figura 11: Particin del espacio . El punto (Y1 , Y2) cae en la zona verde.

Como estas funciones aleatorias estn indexadas con las coordenadas (x, y), a cada punto (x, y) se le asocia el color del punto (Y1 , Y2). La figura siguiente muestra un ejemplo. En la parte superior (en verde) aparecen las gaussianas reducidas Y1(x, y) e Y2(x, y) (los colores claros indican valores altos, los oscuros, valores bajos). El variograma de Y1(x, y) corresponde al modelo gaussiano istropo, mientras que el variograma de Y2(x, y) corresponde a un modelo esfrico istropo. Ms abajo se tienen varias simulaciones correspondientes a diferentes particiones (o banderas) del espacio.

La simulacin condicional de los modelos gaussiano cortado y plurigaussiano es relativamente simple y se puede ver en Lantujoul, 2001.

13

Figura 12: Simulaciones no condicionales del modelo plurigaussiano.

Figura 13: El modelo plurigaussiano en 3D. Y1 es anistropo mientras que Y2 es istropo.

14

La figura siguiente muestra una simulacin condicional de leyes de cobre en un banco de la mina Los Bronces. La limitacin de esta simulacin es que el modelo geolgico no ha sido simulado, se asume determinstico:

Figura 14: Simulacin condicional en un banco de una mina de cobre. A la derecha, el modelo geolgico, el cual no ha sido simulado. Cada dominio geolgico tiene un variograma diferente. Conviene simular los dominios geolgicos?

El problema de simular simultneamente la geologa y las leyes no est resuelto, en la actualidad, de manera global.

15

II. Objetivos de realizar una simulacin condicional. Los objetivos de usar simulaciones condicionales siempre estn relacionados con la caracterstica fundamental de las simulaciones que es reproducir la variabilidad espacial real de la variable regionalizada. Entre los propsitos que enumeramos a continuacin, se pueden tener combinaciones de ellos. Hay que experimentar con los modelos numricos proporcionados por las simulaciones condicionales para ayudar a la solucin de problemas mineros prcticos. La lista siguiente dista mucho de ser exhaustiva: Optimizar planes de reconocimiento en exploraciones mineras. Definir mallas de sondajes ptimas. Contribuir a la enseanza de la geologa y minera. Se puede construir un depsito ficticio en el cual se pueden disear diferentes campaas de reconocimiento, simular agrupaciones de datos en zonas de alta ley, hacer la variografa, disear un modelo de bloques, krigearlo y comparar los resultados con la realidad conocida. Estudio de sesgos. Estudio de la influencia del efecto de pepita debido a errores de muestreo, etc. La figura 15 muestra un depsito de este tipo (ver M. Alfaro y Ch. Huijbregts, 1974):

Figura 15: Depsito sedimentario subhorizontal simulado en una malla de 500x300x200. Se tienen 3,000,000 de compsitos. Algunas universidades cuentan con este tipo de depsitos.

Estudiar diferentes mtodos de estimacin de recursos, por ejemplo, comparar las estimaciones del inverso de la distancia (para diferentes exponentes), krigeado simple, ordinario, disyuntivo, de indicadores..., con la realidad conocida.

16

Estudiar la dilucin y la selectividad de un modelo de bloques. Elegir un tamao de bloque adecuado (ver la figura 16).

Figura 16: Dos alternativas para explotar una zona. Qu es mejor, desde el punto de vista de las leyes de mineral? bancos simples con cuatro cargadoras o bancos dobles con dos palas. El modelo krigeado y su re-bloqueo no sirven para resolver este problema.

Estudiar la influencia de utilizar bloques pequeos (por ejemplo de 5x5x5 m3) cuando se tiene una malla de reconocimiento grande (por ejemplo de 100x100m2).

Estudiar el problema de la reproduccin de un modelo de variograma en las simulaciones geoestadsticas. Cules son las condiciones que permiten que se reproduzca un cierto modelo?

Ayudar en la definicin de las reservas recuperables (ver por ejemplo A. Journel y C. Kyriakidis, 2004).

Calcular la variabilidad del tonelaje de mineral (y de la ley media) sobre una ley de corte. Si se utiliza el krigeado, se obtienen sesgos.

Comprobar que la regla de oro de la geoestadstica funciona. La regla de oro de la geoestadstica dice: al menos un compsito dentro de cada bloque. (por ejemplo, si la malla cuadrada es de 100x100m2, el bloque debe ser de 50x50m2).

17

Contribuir al estudio de la categorizacin de los recursos mineros. Dar un sentido ms preciso, respecto de la variabilidad de las leyes, a las zonas medidas, indicadas e inferidas.

Estudiar el riesgo financiero de un proyecto minero, utilizando la variabilidad de las leyes y de los tonelajes. En la actualidad, en algunas empresas mineras todos los proyectos deben ser acompaados de un anlisis de riesgo econmico, el cual debe considerar la incertidumbre de leyes y de tonelajes.

Determinar el error de estimacin de planes trimestrales, semestrales y anuales. Estos errores son solicitados a menudo por los bancos.

Basndose en las leyes simuladas del modelo de bloques, estudiar las fluctuaciones de las leyes a la entrada de la planta. Si se utiliza el krigeado, se tendr una imagen alisada la cual tiene una variabilidad muy inferior a la variabilidad de un cortador de muestras a la entrada de la planta (ver figuras 17 y 18).

Figura 17: Modelo de bloques de 20x20x15 m3 en una mina de xidos de cobre explotada a cielo abierto (El Tesoro). Se producen aproximadamente 2 bloques por da. Los 102 bloques (51 das de produccin) fueron evaluados por el mtodo del krigeado.

18

Figura 18: Ley diaria CuT (proveniente del modelo de bloques de la figura 17). La curva en azul no sirve para predecir las fluctuaciones de leyes a la entrada de la planta. Los peaks de leyes son importantes en la planta de tratamiento.

II.1. Importancia de las simulaciones. Para ver la importancia de las simulaciones condicionales, estudiaremos algunos ejemplos: Ejemplo 1: En ciertas zonas de la mina de hierro de Marquesado (Sud-Este de Espaa), la ley de Fe es superior a la ley de corte. La seleccin se efecta sobre las leyes de impurezas (alcalinos), a partir de una malla de sondajes irregular, tal como muestra la figura. El problema consiste en predecir las fluctuaciones de las leyes diarias de bloques de 10 x 10 x 8 m3 a la entrada de la planta, de manera de tener un flujo aproximadamente constante, en el cual la ley de alcalinos no sobrepase la cota de 0.8%. En la figura se puede observar que el krigeado no responde bien a nuestro problema porque alisa la realidad, mientras que la simulacin condicional responde bien porque hace "honor" a los datos; es decir, respeta las caractersticas (histograma, ley media, variograma) de la realidad, reproduciendo la variabilidad.

19

Figura 19: Simulacin condicional y krigeado. El krigeado establece que en la parte norte las impurezas tienen leyes inferiores a 0.8% de alcalinos. La simulacin nos indica que podran existir problemas, los cuales hay que tener presente en la planificacin.

Ejemplo 2: En algunas minas de cobre, la ley de arsnico es una variable muy errtica en su variacin espacial, no muy bien reconocida, lo cual implica que las estimaciones de leyes suavizan la realidad. La figura 20 muestra un banco en la mina Los Bronces, donde existen dos alternativas de explotacin: 1 frente (situacin actual) y 2 frentes:

20

Figura 20: Dos alternativas de explotacin de un banco. Con un frente y con dos frentes.

Para ver si la explotacin con dos frentes disminuye las fluctuaciones de las leyes de arsnico a la entrada de la planta, se construy una simulacin condicional. La figura 21 muestra las leyes de arsnico diarias para las dos alternativas, se ha graficado adems la ley crtica de 130 ppm de arsnico:

21

Figura 21: Leyes de arsnico diarias. La ley crtica es de 130 ppm.

La conclusin es que con 2 frentes se mejoran las fluctuaciones pero igual resulta inaceptable, luego hay que poner un sistema de mezcla a la entrada de la planta de tratamiento.

Ejemplo 3: El problema del halo mineralizado. En la mina de cobre El Soldado existi una discusin acerca del problema (conjetura) siguiente: El krigeado produce un halo mineralizado, es decir estima mineral en zonas de estril. La ley de corte es de 0.8% Cu. Las figuras 22 y 23 ilustran este problema.

22

Figura 22: Un perfil vertical en mina subterrnea El Soldado. Leyes de cobre. Se observan cambios abruptos de leyes. En la zona vertical derecha no hay informacin.

Figura 23: Krigeado de la zona anterior. En verde sectores en los cuales la ley estimada es mayor que la ley de corte. Existe un halo mineralizado?

23

La nica forma de saber si existe un halo mineralizado es comparar la estimacin del krigeado con la realidad de este perfil. Como no se conoca esta realidad se decidi construir una simulacin condicional la cual sera la referencia o la realidad. La figura 24 muestra la simulacin condicional de la zona:

Figura 24: Simulacin condicional del perfil (en una malla de 1m x 1m). En verde zonas con ley superior a la ley de corte.

La simulacin condicional llevada a bloques aparece en la figura 25, la cual hay que comparar con la figura 23:

24

Figura 25: Bloques simulados. Existen algoritmos que permiten simular directamente los bloques, sin pasar por la simulacin de puntos.

Figura 26: Zonas de extrapolacin.

Se observa que el krigeado produce un halo de mineral (en otros trminos las leyes se desparramaron) en la zona vertical derecha, zona en la cual las leyes se extrapolaron, y que este mtodo de estimacin funciona bien en las otras zonas donde las leyes se interpolaron.

25

Como conclusin resulta que es peligroso extrapolar (extrapolar es como conducir un vehculo hacia adelante basndose exclusivamente en los espejos retrovisores). La zona de extrapolacin debera ser categorizada como inferida. Por consiguiente, no se puede planificar con leyes inferidas.

Ejemplo 4: Dilucin en minas de nitratos. En las minas de nitratos siempre se produce una dilucin en la parte vertical de un bloque, la cual tiene por efecto que la ley planificada es siempre inferior a la ley real. La simulacin condicional del contacto entre estril y mineral se utiliza para prever la dilucin de las leyes de nitrato:

Figura 27: Vista en planta de la simulacin de leyes de nitrato (izquierda) y de la potencia mineralizada (derecha).

Figura 28: Simulacin condicional del contacto mineral estril. Se produce una dilucin en la parte inferior del bloque.

26

III. Mtodos de Simulacin Existen numerosos procedimientos probabilsticos (llamados a veces mtodos de Montecarlo) para generar realizaciones de funciones aleatorias que tienen un variograma dado (h). En resumen, estos mtodos son, principalmente: a. b. c. d. Mtodo del anlisis armnico. Mtodo de las medias mviles. Mtodo de las lneas rotantes. Mtodo gaussiano secuencial.

El mtodo a) es demasiado laborioso y presenta problemas de convergencia. El mtodo d) presenta problemas de reproduccin del variograma (por ejemplo, no reproduce bien el modelo esfrico). Las demostraciones de los diferentes resultados se pueden ver en Ch. Lantujoul, 2001 y J. P. Chils y P. Delfiner, 2000.

El Mtodo de las medias mviles. Este mtodo consiste en lo siguiente: Se sortean, al azar, realizaciones independientes wi de una variable aleatoria Wi , la cual es normal o gaussiana con esperanza matemtica 0 y varianza 1, y se afectan estos valores en los vrtices de una malla regular (1 - D, 2 - D 3 - D). Sea f una cierta funcin. La simulacin es entonces: (1)

Yi = f (kb) wi + k
k

27

(esta suma puede ser simple, doble o triple; b es el paso de la malla). Es fcil de ver que para cada funcin f se tiene un variograma diferente. En la figura 29 se tiene una grilla muy densa con valores normales con media 0 y varianza 1 (llamada tambin normal reducida). A cada punto de la grilla se le asocia la suma ponderada siguiente, la cual se realiza sobre todos los puntos que caen dentro de la elipse E:

Z ( x, y ) =

( xi , y j ) E

W ( xi , y j ) n

Siendo n el nmero de puntos que caen dentro de la elipse E. Es fcil probar que Z(x, y) tambin sigue una ley normal reducida.

Figura 29: Simulacin por medias mviles en el espacio de 2 dimensiones. Hay que imaginar como funciona el mtodo en el espacio de 3 dimensiones.

Un caso interesante es cuando f tiene la expresin siguiente, en el espacio de tres dimensiones:

28

1 si x pertenece a una esfera de dimetro a f ( x) = 0 en caso contrario

Se puede demostrar, sin dificultad que obtiene en este caso el variograma esfrico, con alcance a. Luego, para simular el variograma esfrico en el espacio de 3 dimensiones, se pasea una esfera de dimetro a por el interior de un paraleleppedo (o un cuerpo

tridimensional) el cual est lleno de valores aleatorios independientes W (i, j, k) y se afecta al centro de la esfera, la suma de los valores W que estn en su interior. Ms generalmente, en vez de una esfera, se puede considerar un elipsoide (figura 30), con lo cual se obtienen realizaciones anistropas:

Figura 30: El elipsoide proporciona una realizacin anistropa.

Si se desea simular en 2-D un variograma esfrico, hay que tomar un plano particular de la simulacin precedente. En el caso de simular un modelo esfrico (en 2-D o en 3-D), existe un mtodo ms eficiente conocido como las monedas aleatorias, el cual consiste en implantar en el plano (espacio) crculos (esferas) cuyos centros y dimetros son aleatorios y asignar en cada implantacin un nmero (aleatorio o no) a los puntos interiores, sumando la contribucin de las implantaciones (ver figura 30). En el espacio de 2 dimensiones el

29

radio del crculo es aleatorio, en 3 dimensiones el dimetro de la esfera es una constante a (este mtodo se llama tambin random token o monedas aleatorias; para mayores detalles, ver M. Alfaro, 1980).

Figura 31: Monedas aleatorias. A la izquierda contribucin con 4 crculos, a la derecha, contribucin con 600 crculos.

El mtodo de las lneas rotantes. Sean k rectas al azar Di en el espacio. Cada recta se caracteriza por un vector unitario ei. Se genera, en cada recta Di , una realizacin Yi(x) de una funcin aleatoria de una dimensin (mediante el mtodo de las medias mviles). Sea x un punto del espacio. La simulacin tridimensional es:

1 Y ( x) = k

Y (x e )
i =1 i i

En que ( x ei ) es el producto escalar entre el vector x (de componentes x1, x2, x3) y el vector unitario ei :

30

Figura 32: Lneas rotantes en 2D y 3D.

Para tener una buena convergencia, es necesario utilizar por lo menos unas 50 rectas aleatorias en 2 D y unas 120 rectas aleatorias en 3 D. Tambin se pueden utilizar rectas uniformemente distribuidas en 2D o 3D. La situacin es ligeramente ms complicada en 3D (ver C. Lantejoul, 2001). Se puede demostrar que para simular mediante lneas rotantes el variograma esfrico hay que utilizar en las rectas la funcin f(x) (aplicada a la ecuacin 1) siguiente:

x si x (-b, b) f ( x) = 0 si x (-b, b)
Para simular el variograma exponencial, hay que utilizar en las rectas la funcin f(x) siguiente:

(1 ax)e ax si x 0 f ( x) = 0 si x < 0

31

IV.

La Simulacin Condicional.

Falta por analizar cmo se obtiene que el valor simulado en un punto xi coincida con el dato localizado en este punto (x1, x2, . . . , xN). Se puede demostrar que la ecuacin siguiente resuelve el problema.

Z1 ( x ) = Z k 1 ( x) + Z S ( x) Z k 2 ( x)
En que: z1(x) es la simulacin condicional zk1(x) es el krigeado en el punto x, utilizando los datos disponibles en los puntos x1, x2, . . . , xN . Sin embargo, para garantizar la reproduccin del variograma, la interpolacin debe corresponder al krigeado simple (no al krigeado ordinario). zs(x) es la simulacin no condicional (resultado del mtodo de medias mviles o de las bandas rotantes) zk2(x) es el krigeado en el punto x , utilizado los valores simulados zs(x) en los puntos x1, x2, . . . , xN Como el krigeado es un interpolador exacto (figura 33):

32

Figura 33: El krigeado es un interpolador exacto (pasa por los datos).

Entonces la simulacin condicional coincide con los datos en los puntos x1, x2, . . . , xN . Las figuras siguientes resumen las etapas para obtener una simulacin que hace honor a los datos:

Figura 34: Datos iniciales.

Figura 35: Krigeado de los datos.

33

Figura 36: Simulacin no condicional, la cual se muestrea en los mismos puntos donde se conocen los datos.

Figura 37: Se krigea la simulacin no condicional y se hace la diferencia entre esta simulacin y el krigeado. Observar que esta diferencia es nula en las coordenadas de los datos.

Figura 38: Al krigeado de los datos se le suma la diferencia anterior. Esta es la simulacin final.

IV.1. La Anamorfosis Gaussiana En la prctica, los valores reales presentan diferentes tipo de histograma (lognormal). Sin embargo, los mtodos de simulacin (medias mviles, lneas rotantes) generan realizaciones cuyo histograma es normal. El objetivo de la anamorfosis gaussiana es la reproduccin del histograma experimental de los datos. La solucin consiste en trabajar, desde el inicio, no con la variable regionalizada z(x) en estudio, sino ms bien con otra variable regionalizada y(x) , transformacin biunvoca tal como se muestra en la figura 39:

34

Figura 39: Anamorfosis gaussiana. En rojo, ley normal reducida, en azul, histograma acumulado experimental. La anamorfosis gaussiana presenta problemas importantes en las colas de la distribucin.

En el caso particular en que z(x) es lognormal, la transformacin o anamorfosis es muy simple: y(x) = ln( z(x) ) z(x) = exp( y(x) )

Observacin importante: Cuando se utiliza el histograma de las leyes, es necesario que no existan agrupaciones de datos, es decir, por ejemplo, una densidad de informacin mayor en las zonas de alta ley que en las zonas de baja ley. Si esta condicin de reconocimiento homogneo no se cumple, es necesario desagrupar previamente los datos (ver figura 40).

35

Figura 40: Agrupacin de datos en zonas de alta ley en el Salar de Atacama la variable regionalizada es la ley de litio. Las caractersticas estadsticas (media, varianza, histograma) estn sesgadas porque las zonas de mayor ley tienen mayor reconocimiento (est sesgado el variograma?).

Existen, principalmente, dos mtodos para desagrupar los datos: mtodo de los polgonos y mtodo de las celdas, los cuales se pueden revisar en el Anexo 1.

36

V. Referencias. M. Alfaro, 1979: Etude de la robustesse des simulations de fonctions alatoires. ENSM Pars. Tesis de Doctorado. M. Alfaro, 1980. The Random Coin Method. Mathematical Geology. M. Alfaro y Ch. Huijbregts, 1974: Simulation of a Sedimentary Deposit. Congreso APCOM, Colorado School of Mines. M. Alfaro, 1975: Introduccin a la Geoestadstica Operativa. E. N. S. de Minas de Madrid, Centro de Clculo. M. Alfaro, 1995: Simulacin Condicional del Arsnico en Mina Los Bronces. BHP Ingeniera. M. Alfaro, 2004. Simulacin de la Geologa en mina MM. Metlica Consultores, Chile. M. Alfaro, 2006: Introduccin a la Teora de las Funciones Aleatorias. U. de Chile, Depto. Ingeniera Matemtica. M. Alfaro, 2007: Evaluacin de Recursos Mineros. USACH, Depto. Ingeniera en Minas. M. Alfaro, 2000: Estadstica. U. de Chile, Depto. Ingeniera Matemtica. M. Alfaro, 2006: Probabilidades. U. de Chile, Depto Ingeniera Matemtica. A. Journel y C. Kyriakidis: Evaluation of Mineral Reserves A Simulation Approach. Oxford University Press. C. Lantujoul, 2001: Geostatistical Simulations. Springer Verlag. J. P. Chils y P. Delfiner, 1999: Geostatistics, Modeling Spatial Uncertainty. Wiley, Nueva York. G. Matheron, 1972: Quelques aspects de la monte. Nota 120. ENSM Pars. G. Matheron, 1973: The intrinsic Random Functions. Advances in Applied Probability, Vol 5. G. Matheron 2006: La Teora de las Variables Regionalizadas y sus Aplicaciones. ENSMP Pars (traduccin al espaol por Marco Alfaro). G. Matheron, 2008: La Teora de las Variables Regionalizadas y su Estimacin. ENSM Pars (traduccin al espaol por Marco Alfaro)

37

Anexo 1

El Problema de las Agrupaciones de Datos (Clusters) Una situacin bastante comn en las minas es la existencia de agrupaciones de datos, la cual est caracterizada por el hecho que en las zonas de alta ley, la densidad de informacin es mayor que en las zonas de baja ley:

Figura A-1: Agrupacin de datos en zonas de alta ley en una mina de yodo. Vista de las muestras en una planta.

Esta situacin puede producir sesgos en el clculo de variogramas, de histogramas, de leyes medias y de varianzas, sobre todo en el caso en que la agrupacin de datos se produce en zonas de alta ley. Para eliminar la influencia de las agrupaciones de datos (desagrupacin de la informacin) existen, principalmente, dos mtodos, ambos empricos:

38

a)

Mtodo de los polgonos, el cual consiste en asignar a cada muestra un peso proporcional al rea de su polgono de influencia. El mtodo de los polgonos asigna, a cada punto del espacio, la ley del dato ms cercano a este punto.

Figura A-2: Mtodo de desagrupacin por polgonos aplicado a leyes de litio en el Salar de Atacama. A cada dato se le asocia un peso igual a su rea de influencia. En 3D hay que utilizar volmenes.

b)

Mtodo de las celdas, el cual consiste en ignorar datos en zonas sobremuestreadas. Se definen celdas de tamao a . En la figura, hay que retener una muestra por celda, la cual se sortea al azar dentro de cada celda:

39

Figura A-3: Mtodo de las celdas. Se considera un valor por celda, el cual es sorteado al azar en cada celda entre las k muestras interiores (las celdas vacas no se consideran). x0 es el origen (variable) del conjunto de celdas.

Para el clculo del variograma, medias, varianza e histograma, se retiene un solo valor de ley por celda. Sin embargo, para krigear bloques y para la simulacin condicional hay que utilizar todos los datos. Una variante de este mtodo consiste en calcular, para cada celda, el promedio de datos interiores. Sin embargo, esta alternativa produce un cierto suavisamiento de las leyes retenidas (en aquellas celdas que tienen ms de un dato). El problema de este mtodo radica en el tamao de la celda.

40

En el caso en que la agrupacin se produce en zonas de alta ley, se puede hacer variar el tamao a de la celda y construir el grfico siguiente de la ley media m en funcin del tamao de celda a:

Figura A-4: Determinacin del tamao ptimo de celda. Para obtener un buen grfico, es necesario cambiar al azar el origen x0 de la figura A-3.

En que a* = tamao ptimo de la celda, m* = estimacin (desagrupada) de la ley media de S ( m0 es la media aritmtica de todos los datos).

Comparacin de ambos mtodos. Compararemos ambos mtodos en el caso hipottico siguiente, un cuadrado bidimensional con 7 datos y una agrupacin en la zona noroeste (figura A-5):

Figura A-5: Estimacin de un cuadrado.

41

La ley media aritmtica es 11 / 7 es decir: m = 1.57 Consideramos que este valor es muy alto. Como la media aritmtica atribuye un peso igual a 1 / N (en que N es el nmero de datos) a cada dato, las 4 muestras altas tienen un peso de 4 / 7 , es decir un 57%, cuando slo representan algo ms de un 25% del rea. El mtodo de los polgonos pondera la ley de cada dato por su rea de influencia Si , tal como se puede ver en la figura A-6:

Figura A-6: Mtodo de los polgonos.

Se observa que las 4 muestras de la zona noroeste tienen ahora un peso ms bajo, obtenindose ahora el valor ms razonable: mP = 1.36 Apliquemos ahora el mtodo de las celdas, con una celda de tamao 50mx50m. Se obtienen 4 celdas y se pueden tener 4 casos segn sea el valor sorteado en la celda superior izquierda:

42

Figura A-7: Desagrupacin por el mtodo de las celdas. Ninguno de los valores obtenidos es convincente.

Si promediamos la celda superior izquierda se obtiene, para esta celda, el valor 2.0, que promediado con los otros valores (iguales a 1.0) proporciona:

m = 1.25

Valor que resulta demasiado bajo.

Mencionemos que en este caso, el krigeado, con un variograma lineal istropo, proporciona el estimador mK = 1.38.

En resumen, no existe un mtodo satisfactorio para desagrupar las leyes. El mtodo correcto que habra que utilizar para desagrupar debera ser el krigeado, sin embargo, debido a la agrupacin de datos, el variograma no es muy confiable. En el caso en que se verifica exactamente la hiptesis intrnseca, que corresponde a decir que el variograma (h) solo depende de la distancia h y no depende del campo S de la variable regionalizada, se puede utilizar el krigeado para desagrupar la informacin.

43