Curso

MINERA
Profesor: Dr. Julin M. Ortiz

04 Desarrollo Minero

Evaluacin de recursos y reservas

Generalidades
La determinacin de los recursos es una etapa crtica en los proyectos
mineros

Se requiere una cuantificacin de la cantidad y calidad de los recursos

Se requiere una cuantificacin del error
Se deben definir los recursos bancables para buscar el financiamiento del proyecto
Existen estndares internacionales para el reporte de recursos y reservas

Generalidades
La exploracin avanzada genera una base de datos proveniente
de una campaa de sondajes en una grilla seudo-regular

Cmo cuantificamos los recursos?

Generalidades
Procedimiento tpico:
Interpretacin del depsito
modelo geolgico
Anlisis de datos
representatividad / chance (valores errticos

outliers)
Anlisis de continuidad espacial:
Mineralizacin
Leyes

Estimacin
Error asociado a la estimacin / categorizacin
Validacin de modelos

Interpretacin geolgica
Anlisis utilizando plantas y secciones
Isoleyes /
Mineralizacin / Alteracin / Litologa / Estructuras

Interpretacin geolgica
Visualizacin en 3-D

interpretacin

Interpretacin geolgica
Se deben definir volmenes en los que la variable en estudio
tenga un comportamiento homogneo
Geolgicamente
Estadsticamente

Dentro de cada unidad de estimacin, las muestras son

homogneas
no mezclar peras con manzanas

Cul es la ley en este punto?

Generalidades
La estadstica se ocupa de los mtodos cientficos para
recolectar, organizar, resumir, presentar y analizar datos as
como obtener conclusiones vlidas y tomar decisiones
razonables sobre la base de dicho anlisis.
La geoestadstica es una rama de la estadstica aplicada que
pone nfasis en:
El contexto geolgico de los datos,
La relacin espacial entre los datos, y
Datos medidos con un soporte volumtrico y precisin diferentes.

La geoestadstica es til para:

Cuantificar aspectos geolgicos.

Estimacin / Simulacin.
Cuantificacin de la incertidumbre.
Diseo de muestra.
Anlisis de riesgo.

Primeras aplicaciones
Regresin Lognormal: Mina Harmony (Sudfrica).
1102

36

68

14

52 120

60

23

85

35

12

6,33

5,87

5,41

4,95

Variable z 2: Ley real de bloques (cm*g/t)

Valor medio de ln(z2+ ) de la categora

6,79
688

427

262

158

92
4,49
51

92

158

262

427

688

1102

1758

Variable z 1: Ley estimada de bloques (cm*g/t)

4,49

4,95

5,41

5,87

6,33

6,79

7,25

Valor medio de ln(z 1+

) de la categora

Sesgo Condicional: subestimacin de leyes bajas y

sobreestimacin de leyes altas.

Paso de la regresin a promedios

ponderados
Ecuacin de la recta de
regresin:
sZ
z 2 = z 1 r 2
sZ
1

s
+ m 1 r Z 2

s Z1

es un promedio ponderado de
la ley de los valores perifricos y
de la media del sector.
Origen del kriging

Modelos geolgicos
Combinacin de caractersticas geolgicas
Litologas
Alteraciones
Mineralizacin

Modelos geolgicos
Modelos complejos:
Usualmente, se definen varias poblaciones litolgicas, de
alteracin, de mineralizacin
Unidades geolgicas se definen en base a estas caractersticas

Definicin de unidades geolgicas

Para estimacin de leyes (modelo de
recursos/reservas):
Combinacin de poblaciones litolgicas, de alteracin y
mineralizacin
Se deben agrupar de modo de combinar datos con:
Caractersticas geolgicas relevantes (depende del uso que se
le dar al modelo)
Nmero de datos razonable para inferencia de parmetros
estadsticos de la poblacin

Dificultades:
Se desconoce la extensin de las unidades
Tipo de lmites presentes: duros, blandos, transicionales

Ms ejemplos
Alteracin

Mineralizacin
econmica

Ms ejemplos

Anlisis de datos
En esta etapa, se busca:
Caracterizar las poblaciones a partir de las muestras
Representatividad
Valores aberrantes

Definir un soporte adecuado de trabajo (compositacin), de modo

de tener compsitos igualmente representativos (las muestras
pueden ser de distintos largos
no pesan todas lo mismo)
Definir qu combinaciones de unidades geolgicas son vlidas para
la estimacin
Definir el tipo de contacto entre las unidades: lmite duro/blando

Derivas CuT
Eje Y

Muestras 1002 v/s 1001

1.40

0.6
1.20

0.5
1.00

0.4
0.3

0.60

0.2

0.40

0.1

CuT

0.80

0.20

-150

0.00
-1800

-1600

-1400

-1200

-1000

-800

Coordenada Y

-600

-400

-200

-100

-50

50

Distancia al contacto

100

150

El problema de la estimacin
Asumimos que estamos trabajando dentro de una unidad
geolgica consistente
De qu manera combinamos la informacin de las muestras?

Estimacin
Dado que el muestreo es parcial y slo nos indica lo que sucede
en las posiciones de los datos, es necesario estimar el valor de la
ley en puntos sin muestra.
Adems, estamos interesados en saber el valor de la ley de un
bloque de dimensiones diferentes a las de la muestra
cambio
de soporte
Definiremos estimadores con ciertas caractersticas:
Lineal:
Lineal el valor estimado es una combinacin lineal de los datos
disponibles (usualmente en una vecindad del punto a estimar)
Insesgado:
Insesgado en promedio, el estimador entrega el valor correcto, sin
sesgo sistemtico (pero con cierta imprecisin)
ptimo:
ptimo el estimador ser tal que minimice la varianza del error de
estimacin (ser por lo tanto el ms preciso).

Estimadores lineales ponderados

La idea bsica es estimar el valor de un atributo (digamos, la ley de Au)
en una posicin donde no conocemos el valor verdadero
n

Z (u ) = 0 + i Z (ui )
*

i =1

donde u se refiere a la posicin, Z*(u) es una estimacin en la posicin

u, hay n valores de datos Z(ui), i=1,...,n, y i se refiere a los
ponderadores.
Qu factores podran considerarse en la asignacin de los
ponderadores?

cercana a la posicin que est siendo estimada

redundancia entre los valores de datos
continuidad anistropa (direccin preferencial)
magnitud de la continuidad / variabilidad

Estimadores lineales ponderados

Asignar todos los ponderadores a los datos ms cercanos
(estimador tipo poligonal)
Asignar los ponderadores inversamente proporcional a la
distancia de la posicin que se est estimando (esquemas de
inverso de la distancia)
1
c + d iw
i =
1
n
i =1 c + d w
i
donde di es la distancia entre el dato i y la posicin que se est
estimando, c es una constante pequea, y es una potencia
(usualmente entre 1 y 3).

Estimadores lineales ponderados

Polgonos: el valor del punto
corresponde al de la muestra
ms cercana

Inverso de la distancia

n(x)

z (x )

p
=1 d
z ( x) = n ( x )
1

p
=1 d

D
z(x)
d

Ejemplo Simple - Datos

Ejemplo Simple Vecino ms cercano

Ejemplo Simple Inverso de la distancia

Estimadores lineales ponderados

Kriging es una coleccin de tcnicas generalizadas de
regresin lineal para minimizar una varianza de estimacin
definida de un modelo a priori de covarianza (R. Olea, 1991).
Kriging es el mejor estimador lineal insesgado.
El mejor solamente en el sentido del error de mnimos
cuadrados para un modelo dado de covarianza / varianza

Kriging
Considere los valores de residuos respecto a la media:
Y(ui)= Z(ui) - m(ui), i=1,,n
donde m(u) podra ser constante, variable localmente o
considerada constante pero desconocida.
El variograma se define como:
2 (h) = E{[Y(u}) - Y(u + h)]2}
La covarianza se define como:
C(h) = E{Y(u) Y(u + h)}
Relacin entre el variograma y la covarianza:
C(h) = C(0) - (h)
C(0) = meseta

(h)
C(h)

Kriging Simple
n

Y (u ) = i Y ( u i )

Considere un estimador lineal:

i =1

donde Y(ui) son los residuos e Y*(u) es el valor estimado (la media
debe agregarse posteriormente)
*
2
La varianza del error se define como E{[Y (u ) Y (u )] }

A2-2ab+b2

E {[Y ( u)] } 2 E {Y ( u) Y ( u)} + E {[Y ( u)] }

n

E{Y ( u ) Y ( u )} 2 E{Y ( u) Y ( u )}
i

i =1

i =1 j =1
n

C ( u , u ) 2 C ( u, u )
i

i =1 j =1

i =1

+ C ( 0)

+ C ( 0)

Kriging Simple
Los ponderadores ptimos (que minimizan la varianza del error)
i, i=1,,n pueden determinarse tomando derivadas parciales
con respecto a los ponderadores
n
[ ]
= 2 jC(u i , u j ) 2 C( u , u i ) , i = 1,..., n
i
j= 1

e igualndola a cero
n

C( u , u ) = C( u , u ) ,
j

i = 1,..., n

j= 1

Este sistema de n ecuaciones con n ponderadores desconocidos

es el sistema de kriging simple (KS)

Kriging Simple
El kriging minimiza esta varianza de estimacin para obtener los
ponderadores. Derivando e igualando a cero, se obtiene el
sistema de kriging simple:

C (x1 x1 ) L C (x1 x n ) 1 C (x1 x 0 )

M
M
M

M =

C (x x ) L C (x x ) C (x x )
n
1
n
n n
n
0

Y por lo tanto:
n

=1

=1

Z * (x 0 ) = Z ( x ) + ( 1 ) m
n

2
KS

(x 0 ) = C (0) C (x x 0 )
=1

Kriging Simple
Algunas propiedades:
Existe una solucin nica al sistema de ecuaciones si la matriz de
covarianza es definida positiva
esta es la razn para modelar el
variograma con modelos lcitos
El estimador de kriging es insesgado (por construccin)
Es el mejor estimados (minimiza la varianza de estimacin)
Es un interpolador exacto

En resumen:
Kriging simple asume la media constante y conocida
Como veremos ms adelante, es la base de los mtodos de
simulacin
Puede calcularse tambin para estimar el valor sobre un bloque
No se usa en la prctica para estimar

Ejemplo Simple - Datos

Ejemplo Simple - Kriging

No hay suavizamiento:
controlado por la presencia de muestras

Mximo suavizamiento:
todos los valores son iguales

Propiedades del Kriging Simple

La varianza de kriging puede calcularse antes de tener la
informacin (slo se requiere conocer el variograma)

Definicin de grillas ptimas de exploracin

Grillas para categorizacin de recursos

Kriging considera:

Geometra del volumen a estimar:

Distancia de la informacin:
Configuracin de los datos:
Continuidad estructural de la variable considerada:

El efecto suavizador de kriging puede predecirse

Kriging Ordinario
En la mayora de los casos la media es desconocida
Kriging Ordinario: estimador lineal que no considera la
media conocida
n

Z * (u 0 ) = Z (u )
=1

Requiere imponer la condicin de insesgo:

n

E [ Z (u0 ) Z (u0 )] = E [ Z (u )] E [ Z (u0 )]

1424
3 1424
3
=1
*

=m

( 1 )

=1

=1

=1

Los ponderadores se encuentran planteando:

n

min Var [Z * (u0 ) Z (u0 )] = C (u u ) + C (0) 2 C (u u )

=1 =1
n

s.a.

= 1

=1

=1

Kriging Ordinario
En este caso se minimiza la varianza sujeto a que la
suma de los ponderadores sea igual a 1.
El sistema de kriging ordinario queda:
C (x1 x1 ) L C (x1 x n ) 1 1 C (x1 x 0 )

M
M
M M
M

=
C (x x ) L C (x x ) 1 C (x x )
n
1
n
n
n
0

1
L
1
0
1

Z * (x 0 ) = Z (x )
=1

2
KO
(x 0 ) = 2 C (x x 0 ) +

=1

Kriging Ordinario
O en trminos de variograma:
(x1 x1 ) L (x1 x n ) 1 1 (x1 x 0 )

M
M
M M
M

=
(x x ) L (x x ) 1 (x x )
n
1
n
n
n
0

1
L
1
0

Z * (x 0 ) = Z (x )
=1

2
KO

( x 0 ) = ( x x 0 ) +
=1

Efecto de Distancia
Caso base y efecto del aumento en la distancia sobre
los ponderadores ( (h) = 0,2 + 0,8 Sph(100))
Caso base
2

Efecto de distancia
2

= 0,1888
0,25

50

0,25

50

= 0,2162
0,265

0,25

0,25

50

0,303

0,303

0,129

50

Efecto Pantalla y Anisotropia

Efecto pantalla y de la anisotropa (Anis. Geom. 4 x 1)
sobre los ponderadores ( (h) = 0,2 + 0,8 Sph(100) )
Efecto de la anisotropa

Efecto pantalla
2

= 0,1668

0,233

= 0,2248
0,074

0,247

50

0,233

50

0,426

0,426

0,174
0,080

0,074

0,033
50

50

Efecto de Declusterizacion y Distancia

Efecto de declusterizacin y declus. + distancia sobre
los ponderadores ( (h) = 0,2 + 0,8 Sph(100) )
Efecto de declusterizacin
2

Efecto de decl. + distancia

2

= 0,1668

0,111
0,106
0,111

0,242

= 0,2107

0,3437

0,215

50

50

0,016
0,013
0,016

0,2674

0,215
0,3437

50

50

100

150

Cambio en efecto pepita

Efecto sobre los ponderadores de un cambio en el
efecto pepita del modelo variogrfico
Caso base
2

Cambio en el efecto pepita

2

= 0,0827

= 0,1206

0,208

0,1044

50

50
0,042

50
(h) = 0,2 + 0,8 Sph(100)

0,1456

50
(h) = 0,7 + 0,3 Sph(100)

Validaciones Cruzadas
Parmetros de kriging.
Criterios:

Media compsitos = Media puntos estimados (sesgo global)

Medias condicionales (sesgo condicional)
Varianza (estimado-real) baja
Distribucin de errores estandarizados (debe estar centrada
en 0)

Eleccin del mejor plan de kriging

Plan de Kriging
Cules son los datos a utilizar en la estimacin?
Vecindad mvil: se usa slo los datos cercanos al sitio (bloque) a
estimar
En general, se toma una vecindad en forma de elipse (2D) o
elipsoide (3D), orientado segn la anisotropa observada en el
variograma
Se suele dividir la vecindad en octantes en 3D y buscar datos en
cada sector
Los radios del elipse (elipsoide) no necesariamente corresponden a
los alcances del variograma, sino que se definen de manera de
poder encontrar suficientes datos para hacer la estimacin

Plan de Kriging

Ejemplo de vecindad mvil

Validacin del kriging

Para validar los parmetros del kriging (modelo de variograma,
vecindad elegida), se puede usar los siguientes mtodos:
Validacin cruzada: se estima sucesivamente cada dato
considerando solamente los datos restantes
Jack-knife: se divide la muestra inicial en dos partes (por ejemplo,
cuando hay dos campaas de sondajes), y se estima una parte a
partir de la otra

Luego, se hace un estudio estadstico de los errores cometidos

para saber si el kriging fue satisfactorio (buena precisin, poco
sesgo condicional)

Validacin del kriging

Criterios de validacin:
medias de los errores y de los errores estandarizados: deben ser
cercanas a cero estimador sin sesgo
varianza de los errores: debe ser la ms baja posible estimador
preciso
varianza de los errores estandarizados: debe ser cercana a 1 el
variograma cuantifica adecuadamente la incertidumbre
nube de dispersin entre valores reales y estimados: la regresin
debe acercarse a la diagonal insesgo condicional

Validacin del kriging

Ejemplo: jack-knife entre dos campaas de sondaje de exploracin,
usando kriging ordinario. Se busca poner a prueba distintas
vecindades de kriging.
Plan 1:
1 estimar con los 2 datos ms cercanos
Plan 2:
2 estimar con los 24 datos ms cercanos (3 por octante)
Plan 3:
3 estimar con los 48 datos ms cercanos (6 por octante)

Validacin del kriging

Histogramas de los errores cometidos

Las medias de los errores son casi nulas insesgo

La mayor precisin se alcanza en los planes 2 y 3

Validacin del kriging

Nubes de correlacin entre leyes reales y estimadas

El sesgo condicional y la dispersin de la nube son mnimos en los

planes 2 y 3

Kriging y la geoestadstica minera

convencional

En el modelamiento de recursos mineros, convencionalmente se utiliza

la estimacin
se obtiene un slo mapa (suave)
Kriging: mejor estimador lineal insesgado
n

Z (u) = a + i Z (u i )
*

i=1

Construccin de modelos de bloques

Modelo de Bloques

Recursos

Diseo Minero

Reservas

Planificacin
Minera

Modelo de bloques e inventario

El resultado de la estimacin es:
Un modelo de bloques
Una curva tonelaje ley (categorizacin)

Categorizacin
Recurso Mineral:
Concentracin u ocurrencia de material de inters econmico intrnseco
en o sobre la corteza de la Tierra en forma y cantidad en que haya
probabilidades razonables de una eventual extraccin econmica.
La ubicacin, cantidad, ley, caractersticas geolgicas y continuidad de
un Recurso Mineral son conocidas, estimadas o interpretadas a partir de
evidencia y conocimientos especficos geolgicos.
Los Recursos Minerales se subdividen, en orden de confianza geolgica
ascendente, en categoras de Inferidos, Indicados y Medidos.

Categorizacin
Reserva Minera:
Es la parte econmicamente explotable de un Recurso Mineral Medido
o Indicado. Incluye dilucin de materiales y tolerancias por prdidas
que se puedan producir cuando se extraiga el material. Se han
realizado las evaluaciones apropiadas, que pueden incluir estudios de
factibilidad y contemplan la consideracin de y modificacin por
factores razonablemente asumidos de extraccin, metalrgicos,
econmicos, de mercados, legales, ambientales, sociales y
gubernamentales. Estas evaluaciones demuestran en la fecha en que se
reporta que podra justificarse razonablemente la extraccin.
extraccin
Las Reservas Mineras se subdividen, en orden creciente de confianza,
en Reservas Probables y Reservas Probadas. Ntese que la definicin de
Reservas Posibles ha cado en desuso, debido a que los cdigos no
autorizan declarar reservas que provienen de recursos geolgicos
inferidos.

Geoestadstica moderna
Existe un error asociado que
debe ser tomado en cuenta
Geoestadstica moderna

simulacin condicional
Se generan varios modelos
numricos vlidos (o plausibles);
cada uno con la variabilidad
correcta.
Un mapa de valores estimados
puede obtenerse a partir de las
realizaciones.

Geoestadstica moderna

Evaluacin de incertidumbre
Los modelos simulados permiten incorporar funciones de
recuperacin metalrgica y determinar la incertidumbre en el
fino (metal) :

Incertidumbre local

Incertidumbre global

Nuevas problemticas
Modelamiento geo-minero-metalrgico:
Incorporar variables geo.metalrgicas al modelamiento
Mejorar la toma de decisiones

Consumo de energa
Consumo de cido
Presencia de minerales que perjudican el proceso o aumentan costos
Combinacin de elementos que pueden afectar el proceso

Modelamiento multivariable con restricciones:

CuT vs CuS
Anlisis composicional

Optimizacin para diseo considerando escenarios simulados

Intensivo numricamente
Difcil de incorporar el factor temporal