You are on page 1of 18

Clasificación de Recursos/Reservas con Geometría Integrada y Medidas de Variabilidad de

Grado Local
R Dimitrakopoulos1, M Godoy2 and C L Chou3

ABSTRACT
La categorización de los recursos minerales y las reservas de mineral como medidos, indicados,
inferidos y comprobados o probables, respectivamente, es un requisito tanto para los informes
públicos como para las evaluaciones internas de la compañía de los activos mineros. Desde la
comprensión de los recursos minerales hasta la estimación de las reservas de mineral, la
incertidumbre geológica tiene un gran impacto en la clasificación de recursos / reservas. La
clasificación de recursos/reservas se basa tradicionalmente en criterios geométricos, como el
número de muestras o perforaciones dentro de un volumen alrededor de los bloques de
depósito que se clasifican, o alternativamente, alguna forma de varianza estimada derivada
geoestadísticamente. Estos criterios son relativamente fáciles de entender e implementar, sin
embargo, no da cuenta de la variabilidad local de las calificaciones dentro de un depósito, lo que
lleva a una tergiversación de la confianza de las calificaciones estimadas dentro de los
volúmenes dados.
Este documento propone un enfoque basado en un marco de simulación estocástica para
cuantificar la incertidumbre geológica y el riesgo en cinco pasos: generación de realizaciones
adecuadas del depósito en la escala de soporte de bloques apropiada, derivación de funciones
de distribución acumulativa condicional (ccdf) de grados de bloque o atributo seleccionado.
Utilización del coeficiente de variación condicional (CCV) del grado ccdf dentro de un bloque
como medida de incertidumbre para la clasificación de recursos de cada bloque en el modelo de
yacimiento, clasificación de recursos / reservas y evaluación y producción de perfiles de riesgo
para estimaciones. Este enfoque integra las consideraciones geométricas utilizadas
tradicionalmente, en el sentido de ubicaciones de datos y la variabilidad in situ de los grados.
Las aplicaciones en un depósito de diamantes aluviales, vetas de oro epitermales y depósitos de
pórfidos de cobre muestran que existen agrupaciones naturales del CCV de bloques mineros
que permiten una clasificación racional de los recursos o reservas. El enfoque propuesto no solo
es transparente sino que también proporciona un informe técnicamente defendible de la
clasificación de recursos / reservas en un contexto geoestadístico y puede respaldar una mejor
toma de decisiones de inversión.
INTRODUCCIÓN
La clasificación de los recursos minerales como medidas, indicadas e inferidas y las reservas de
mineral probadas o probables se requieren para divulgación pública según se detalla en varios
códigos, como JORC, CIM, PERC o SAMREC. Además, la categorización de recursos y reservas es
un contribuyente importante para la evaluación de una empresa activos mineros y sus curvas de
tonelaje de ley. Es ampliamente aceptado que la incertidumbre y el riesgo geológicos tienen un
gran impacto en la clasificación de recursos y reservas, desde la comprensión de los recursos
minerales y los programas de exploración hasta la 'reserva mineral'. La fiabilidad, la confianza, la
transparencia y la "capacidad de defensa" técnica de la clasificación son fundamentales.
Teniendo en cuenta el valor de las compañías mineras, los beneficios para los accionistas, la
presentación de informes a las instituciones financieras y la atracción de la comunidad de
inversión para la toma de decisiones en el orden de los miles de millones de dólares, hay una
verdadera necesidad de comprender y cuantificar la incertidumbre geológica y el riesgo que
sustenta los recursos / reservas. Los enfoques de vanguardia que cuantifican la incertidumbre y
el riesgo geológicos pueden utilizarse para estandarizar la clasificación de recursos / reservas,
respaldar una mejor toma de decisiones de inversión, habilitar informes bursátiles técnicamente
defendibles y cumplir con los códigos de la industria y proporcionar una mayor seguridad a los
inversores y proteger al público. Tradicionalmente, la clasificación de recursos se ha basado en
consideraciones geométricas y una clasificación de bloque por bloque utilizando criterios
vinculados al número de muestras con un volumen o perforar densidades de pozo, o
alternativamente, una varianza de estimación derivada geoestadísticamente. Estos criterios son
relativamente simples de implementar, además de ser fáciles de entender y transparentes. Sin
embargo, tienen un inconveniente principal ya que no tienen en cuenta la variabilidad local de
las calificaciones dentro de un depósito - esto lleva a una tergiversación de la confianza de las
calificaciones estimadas dentro de volúmenes dados y de la clasificación de recursos / reservas
resultante. Los esfuerzos anteriores para mejorar las técnicas de clasificación se centraron en el
desarrollo y uso de versiones alternativas de varianzas de estimación de grados (kriging), donde
los patrones de clasificación se basan en el tamaño de la grilla de muestreo (por ejemplo,
Saburin, 1983; Froideveau, Roscoe y Valiant, 1986; David, 1988, David y Dagbert, 1977, Arik,
2002 y otros). Como también se señaló anteriormente, estas formulaciones pueden dar cuenta
de posibles aumentos de precisión como la cuadrícula de muestreo el tamaño disminuye, sin
embargo, no incorporan la incertidumbre introducida por la variabilidad local en los datos reales
presentada de forma elocuente por Ravenscroft (1992). La Figura 1 ilustra este punto, que
muestra dos configuraciones idénticas de un bloque y cuatro perforaciones agujeros. A la
derecha, el grado del material muestreado es muy variable, mientras que en el bloque
izquierdo, los grados son mucho menos variables. Si esta fuera la misma zona con el mismo
variograma, las variaciones de estimación serían las mismas, proporcionando así una falsa nivel
de evaluación de la incertidumbre y clasificación de los bloques. Las varianzas de estimación no
abordan adecuadamente la cuestión de la precisión de las estimaciones de recursos globales y
más aún para los recursos globales por encima de un límite (David, 1988), como sería el caso si
se utilizara cualquier otra medida geométrica. Se han sugerido enfoques basados en la
simulación dados los problemas discutidos anteriormente (Audet y Ross, 2007; Wawruch y
Betzhold, 2005; Dohm, 2005; Duggan y Dimitrakopoulos, 2005; Murphy et al, 2004) y necesitan
mayor consideración. Las deficiencias de la clasificación convencional de reserva / recurso
pueden explorarse en un ejemplo de una mina de oro.
Las reservas clasificadas como Medidas, Indicadas e Inferidas se basan principalmente en el
número de muestras dentro de una distancia desde un bloque que se estima
geoestadísticamente y en la consideración de la continuidad del grado espacial dentro de las
vetas de oro identificadas. La Figura 2 muestra parte de una veta donde los bloques se han
clasificado para reservar categorías de acuerdo con el enfoque establecido de la mina. Aunque
esto

FIG 1 - Estimación para configuraciones de muestreo idénticas con diferente variabilidad e


incertidumbre de grado local.

FIG 2 - Clasificación de reserva tradicional en una veta de una mina de oro (izquierda) y las
probabilidades para que los bloques sea mineral (derecha).
El enfoque es razonable, relativamente simple, transparente, cumple con las regulaciones y es
técnicamente defendible, el enfoque tradicional muestra deficiencias cuando la clasificación se
compara con las probabilidades de que los bloques sean mineral (ver Figura 2). Las partes
grandes de la veta que se clasifican como indicadas tienen más del 80 por ciento y el 90 por
ciento de probabilidades de ser mineral, por lo que parece inconsistente no informarlas como
medidas. De manera similar, los bloques que se han clasificado como desechos tienen, de
hecho, más del 50 por ciento de probabilidad de ser mineral. Aunque el análisis anterior se
limita a aspectos limitados (por ejemplo, según el JORC, también se debe estimar con precisión
el grado), ilustra cómo los criterios de clasificación convencionales no incluyen medidas directas
de incertidumbre geológica (grado) aparte de las relacionadas con el espacial configuración de
los agujeros de perforación. Como resultado, los enfoques convencionales pueden llevar a una
clasificación diferente de los recursos minerales en comparación con el uso de clasificaciones
que integran la variabilidad espacial real in situ del yacimiento. En las siguientes secciones, se
muestra que las técnicas de simulación estocástica proporcionan información crítica para la
clasificación de recursos / reservas que complementa las estimaciones de recursos, con la
comprensión de la naturaleza multifacética del proceso de clasificación y el papel de la persona
competente. Las técnicas modelan la incertidumbre en los grados estimados de los modelos de
yacimientos y conducen a una evaluación de la incertidumbre geológica como una función de la
variabilidad in situ y la densidad de perforación. Además, el marco de simulación permite la
integración de alternativas geológicas simuladas con grados simulados y posibles errores en los
datos de ensayo, ubicaciones de orificios de perforación, etc. La siguiente sección comienza
discutiendo brevemente los límites de los enfoques de clasificación tradicionales.
Posteriormente, se describe una metodología alternativa, basada en distribuciones
condicionales simuladas de grados de soporte de bloques y medidas de su incertidumbre para
un modelo de yacimientos. Las medidas de incertidumbre se detallan a continuación utilizando
un ejemplo de un depósito de diamantes aluviales. La clasificación de recursos/reservas en el
mismo yacimiento, una veta de oro epitermal y un depósito de pórfido de cobre dilucidan los
aspectos y características relacionados del enfoque. Los comentarios y conclusiones siguen.
RECURSO / RESERVA CLASIFICACIÓN Y MEDIDAS DE INCERTIDUMBRE LOCAL
La simulación condicional permite una metodología de clasificación de recurso / reserva que
considera simultáneamente la densidad de datos y la continuidad del yacimiento, así como la
variabilidad in situ. En esta sección, se describen los aspectos clave de la metodología, incluidas
las medidas apropiadas de incertidumbre que se utilizarán para la clasificación de recursos /
reservas. La metodología se ilustra utilizando un depósito con diamantes en el sudoeste de
África.
Metodología de clasificación
Una metodología de clasificación de recursos se describe en la Figura 3 y consta de cinco pasos:
1. generación de realizaciones adecuadas del depósito en la escala de soporte de bloque
considerada apropiada,
2. derivación de funciones de distribución acumulativa condicional (ccdf) de grados de bloque o
atributo seleccionado,
3. cálculo de las medidas de incertidumbre que se utilizarán para clasificación de recursos
basada en el ccdf de cada bloque en el modelo del yacimiento,
4. clasificación de recursos / reservas, y
5. evaluación y producción de perfiles de riesgo para estimaciones.

Medidas de incertidumbre espacial local


Una parte clave de la metodología de clasificación es el uso de estadísticas de resumen y
medidas de incertidumbre que se derivan de la función de distribución acumulativa condicional
de la ley Z (u) de un bloque en la ubicación u dentro del depósito (Figura 4). Las medidas básicas
incluyen la varianza condicional, el coeficiente condicional de variación, intervalos entre
percentiles e intervalo de probabilidad. La varianza condicional (CV) mide la extensión del ccdf
alrededor de su valor
medio y está dada por:

dónde:
zkk = 1, ... K son valores umbral K que discretizan el rango de
variación de los valores z
zkes la media de la clase zk-1, (zk-1, zk) que en el caso de un modelo de interpolación lineal dentro
de la clase corresponde a zk = (zk-1 + zk)/2 es la suma discreta
aproximación al valor esperado del ccdf El coeficiente de variación condicional (CCV)
corresponde a la desviación estándar condicional dividida por la desviación estándar media o
relativa. Expresa la variabilidad como un porcentaje de la media, y se calcula como:

El CCV discrimina mejor las zonas en términos de densidad de muestra (o disponibilidad de


información de acondicionamiento). Una ventaja del CCV sobre el CV es que se expresa
directamente como un porcentaje de la media y, por lo tanto, filtra los efectos proporcionales.
El rango entre cuartiles (IQR) se define como la diferencia entre los cuartiles superior (q0.75) y
inferior (q0.25) de la distribución:

De manera similar, la generalización a cualquier intervalo entre percentiles (IPR), como un


intervalo de confianza del 90%, se define como:

A diferencia del CV y el CCV, los DPI y sus variaciones no se ven afectados por la magnitud de los
grados en el ccdf y, por lo tanto, no son sensibles
FIG 3 - Representación diagramática de una metodología de clasificación de recursos basada en
simulación.

FIG 4 - Una función de distribución


acumulativa condicional (ccdf) que muestra
estadísticas de resumen y medidas de
incertidumbre para el espesor de un bloque
de 100 × 100 m2 en un depósito de
diamantes. El ccdf se genera calculando las
probabilidades asociadas para un bloque
dado a partir de múltiples realizaciones
simuladas.

a valores atípicos. El IPR también se puede escalar por la media o la mediana del ccdf
correspondiente. Las medidas relacionadas de incertidumbre son la probabilidad de que un
grado de bloque, Z (u) esté por encima, por debajo o dentro de un intervalo de probabilidad. La
figura 4 muestra estadísticas de resumen relacionadas y medidas de incertidumbre para el ccdf
de espesor de 100 × 100 m2 bloquear. El ccdf en sí proporciona el modelo de incertidumbre
para el valor del atributo de espesor para un bloque determinado en la ubicación u dentro del
depósito. Cada punto discreto en el ccdf corresponde a un valor simulado. El ccdf es un
histograma acumulativo de todos los valores simulados asignados a las realizaciones de
simulación del depósito. Una función continua se interpola entre los puntos discretos para
permitir la evaluación de probabilidades para cualquier valor de ccdf.
La Figura 5 muestra el CV, la media condicional, el CCV y el IQR para el mismo tamaño de
bloques de espesor sobre una parte de un depósito de diamantes. Los valores se generan a
partir de 50 realizaciones de simulación y perforación las ubicaciones de los agujeros se
muestran en la figura por triángulos. El CV muestra una buena correlación entre regiones de
muestreo denso y baja varianza condicional. Sin embargo, esto no es necesariamente cierto
para áreas de alto espesor. La presencia de un efecto proporcional se ve claramente cuando se
comparan los valores de CV y grosor de bloque medio, lo que sugiere que el CV puede no ser
una medida adecuada de la incertidumbre local. De forma similar al CV, el IQR muestra una
buena correlación entre las regiones de muestreo denso y los valores más bajos de IQR, así
como una mayor incertidumbre sobre los valores de espesor más altos.
En general, para distribuciones altamente asimétricas, el IQR puede parecer más atractivo que
el CV ya que el IQR es una medida relativa que no usa la media. Una desventaja importante del
IQR es que ignora la distribución interna de las densidades de probabilidad, lo que lleva a una
sobrerrepresentación de la incertidumbre. El CCV discrimina mejor que el CV y el IQR en
términos de densidad de muestra (información de acondicionamiento disponible) y, lo que es
más importante, no muestra un efecto proporcional. Como resultado, es más adecuado para la
clasificación de recursos.
Medidas de clasificación de recursos / reservas
Las medidas de incertidumbre en la sección anterior se pueden usar para definir los
criterios de clasificación de recursos / reservas. Estos criterios requieren el uso de valores
umbral, de forma similar a los esfuerzos anteriores, donde los umbrales se aplicaron a las
variaciones de estimación (por ejemplo, revisión en Sinclair y Blackwell, 2000). Los valores de
umbral pueden reflejar la tolerancia de error que es aceptable localmente para las estimaciones
de bloque así como globalmente para la estimación de recurso. La estimación de bloque aquí
corresponde al valor medio (o estimación de tipo e). Es posible categorizar recursos con
precisión de bloques y usar modelos de recursos derivados de múltiples realizaciones de
simulación para obtener la incertidumbre en recursos o recursos globales dentro de
incrementos de producción de interés en cada categoría. Un primer intervalo de confianza
basado en el CCV implica CCV de umbral fijo que se comparan con el CCV. Esto es equivalente a
comparar el intervalo de confianza sobre la media de ± la desviación estándar frente a un
intervalo de confianza umbral definido como una proporción de la media. El criterio de
clasificación CCV está dado por:
FIG 5 - Vista en planta de izquierda a derecha, la varianza condicional (CV); media condicional
(CM); coeficiente de variación condicional (CCV); y rango entre cuartiles (IQR) para un espesor
de bloque de 100 × 100 m2 en un depósito de diamantes. Tenga en cuenta que la perforación
más densa no garantiza menos incertidumbre.
Como ejemplo, considere una clasificación de CCV con un CCV umbral de 0.5. En este caso,
todos los bloques para los cuales el intervalo de confianza limitado por ± la desviación estándar
es superior al 50% del valor de la media se clasificarán como inferidos. Los bloques restantes se
clasifican como Indicados o Medidos. La selección de valores de umbral se difiere hasta una
sección posterior. Un segundo intervalo de confianza basado en una probabilidad del 90% (un
rango percentil relativo o RPR) es un intervalo de confianza sobre la media que se compara con
un intervalo de confianza umbral definido como una proporción de esta media. La clasificación
de CCV se define en base a la desviación estándar, aquí el intervalo de confianza se define
considerando la posición relativa de la media al quinto y percentiles 95, denominadas

diferencias negativas y positivas. El intervalo de confianza simétrico utilizado en este criterio es:
dónde:
w- y w + son ponderaciones para las diferencias relativas al percentil quinto y percentiles 95,
respectivamente. Los pesos facilitan los intervalos de confianza asimétricos y se determinan en
función de los intervalos de probabilidad:

Tenga en cuenta que establecer w- y w + en 0.5 corresponde a definir el intervalo de confianza


como ± el promedio entre las diferencias negativas y positivas. El criterio de clasificación es:

ESTUDIOS DE CASO

Un simple ejemplo en un depósito de diamantes

Un ejemplo simple en un depósito de diamantes para un depósito de diamantes aluviales donde el


parámetro de clasificación importante es el espesor, la Figura 6 muestra una vista de plano de la
clasificación de recursos como Indicada o Inferida usando tres criterios de clasificación (CCV con un
umbral CV de 40%, RPR con un intervalo de confianza del 90 por ciento y un umbral único (por
simplicidad) del 40 por ciento, y un CCV con un umbral de CV de 50 por centavo). La Tabla 1 detalla el
recurso potencial clasificado en este depósito de diamantes y las estimaciones relacionadas con su
incertidumbre. Usando la clasificación CCV, tanto el volumen clasificado como Indicado y la
incertidumbre asociada, medida por las diferencias en los volúmenes máximos y mínimo, aumentan con
el umbral, como se esperaba. El aumento en el volumen es considerable, mientras que el aumento de la
incertidumbre en relación con el valor esperado es relativamente pequeño. En términos globales, la
incertidumbre en el volumen clasificado como Indicado es relativamente bajo. Los resultados indican
que en este estudio el umbral del 40 por ciento puede considerarse conservador. Para los recursos
inferidos, a medida que el umbral aumenta, el volumen disminuye y aumenta la incertidumbre relativa
asociada. La disminución en el volumen resulta de los bloques que se mueven a Indicada categoría. El
aumento en la incertidumbre se espera ya que refleja la mayor incertidumbre relacionada con valores
umbral más alto. La clasificación RPR en comparación con el enfoque de clasificación CCV clasifica
considerablemente menos bloques como Indicados en todos los umbrales y no representa una buena
evaluación de la variabilidad. Al igual que con la medida IQR discutida anteriormente, la clasificación RPR
ignora la distribución interna de las densidades de probabilidad y conduce a la representación excesiva
del riesgo. Por lo tanto, es muy conservador en la clasificación de bloques. Los resultados presentados en
la Tabla 1 muestran que el análisis de incertidumbre en el recurso basado en tres valores de umbral
diferentes, puede proporcionar una indicación sobre qué valor de umbral podría ser más apropiado para
el depósito. Comprender el significado del valor umbral es fundamental para aplicar los criterios de
clasificación propuestos. Los parámetros de minería y procesamiento pueden considerarse además,
además de consideraciones externas que pueden tomarse en cuenta, relevantes para la economía del
proyecto o el nivel de aversión al riesgo de una compañía. Tenga en cuenta que el análisis aquí
corresponde a la propagación de la incertidumbre de bloque local a la incertidumbre en el recurso
global. Criterios de selección del umbral los valores basados en las características del depósito se
discuten a continuación.

TABLA 1 Clasificación de recursos de 100 bloques de 100 m2 de espesor basados en los criterios
de clasificación CCV y RPR utilizando umbrales de 40%, 50% y 60% de CV.

FIG 6 - Clasificación de recursos usando el criterio


de clasificación CCV con un umbral CV de 40 por
ciento (izquierda); RPR clasificación dentro de un
intervalo de confianza del 90 por ciento y un
umbral CV de 40 por ciento (medio); y clasificación
CCV con un umbral de CV del 50% (derecha)
Seleccionar umbrales en una mina de oro
El ejemplo de una mina de oro a cielo abierto en Australia Occidental se utiliza para explorar
aún más la clasificación basada en CCV. Las cuestiones abordadas incluyen la selección de
valores umbral para la clasificación de reservas. El ejemplo está compuesto por un conjunto de
vetas de oro epitermales en una zona del depósito que se clasifican como recursos medidos,
indicados o inferidos. La figura 7 muestra el tonelaje de mineral por encima del punto de corte
(1 g / t) y el grado promedio por encima del punto de corte trazado contra el CCV por 25
realizaciones de soporte de bloque del yacimiento.
La figura muestra un spread general y distintivamente creciente (riesgo) en tonelaje de mineral
y grado promedio a medida que aumenta el CCV, que es particularmente fuerte en los tonelajes
de mineral. Esta tendencia también se ve en Tabla 2 que detalla CCV y estadísticas de resumen
para contenido de metal en la veta de oro. Las características de la extensión y la pendiente de
la las curvas en la Figura 7 y los valores informados en la Tabla 2 se pueden usar para guía de
selección de umbrales para la clasificación. Por ejemplo, La Figura 7 sugiere que hay poco riesgo
de un CCV hasta alrededor 0,65 dado que el tonelaje relacionado por encima de las curvas de
corte es en su mayoría solapamiento y el promedio de corte superior parece tener estabilizado
Además, la figura muestra que después de un CCV de aproximadamente 1.1, la extensión de los
tonelajes y grados es máxima y permanece estable para valores de CCV más altos. Por lo tanto,
los CCV más altos se puede seleccionar para la clasificación del recurso de alto riesgo. En un
análisis alternativo, la Tabla 2 muestra un CV con un mínimo del 4,2 por ciento en el umbral de
CCV de 0,65, sugiriendo que este umbral corresponde a la medida más segura de cantidad de
metal y sería un umbral razonable para diferenciar entre las reservas medidas e indicadas. Los la
diferenciación entre las reservas indicadas e inferidas puede basado en un CV de
aproximadamente 6,7 por ciento o CCV de 1,1, que identifica el extremo más alto de riesgo. En
un umbral más alto solo un se entregaría una pequeña cantidad de metal adicional. Para un CCV
valor entre 0.65 y 1.1, tanto la cantidad de metal como la incertidumbre aumentar
sustancialmente. Por lo tanto, hay una compensación entre ganancias en cantidad de metal y
aumenta el riesgo al diferenciar entre reservas indicadas e inferidas. Tenga en cuenta que la
Tabla 2 permite informes sencillos de metal promedio para cada categoría como así como un
intervalo de confianza, mínimo, máximo y proporción del rango, como en la Tabla 3 (el ± en la
tabla está en términos de rangos entre simulaciones máximas y mínimas). También tenga en
cuenta que la tolerancia utilizada en este estudio de caso podría ser menor resultando en la
posible expansión de los recursos medidos. Tabla 3 proporciona informes detallados de la
clasificación de reserva. Un diferencia importante de los métodos de clasificación tradicionales
en este ejemplo es que la clasificación es independiente del bloque nota media. Tenga en
cuenta que una expectativa clave de la clasificación de recursos es para apoyar la planificación
minera. El enfoque de Parker (Harry Parker, comunicación personal) de uso común, (mostrado
también por Lopes et al, 2010, en este volumen) sugiere que Measured debería soportar
incrementos de producción de tres meses e indicados incrementos de producción anual.
Aunque en el momento de este estudio esto no se implementó, el enfoque presentado puede
fácilmente y debería aplicarse, a fin de establecer los niveles de confianza en términos de
incrementos de producción utilizados para la planificación.
FIG 7 - Grado promedio por encima del corte de 1 g / t (izquierda) y tonelaje de mineral por
encima del corte (derecha) trazado frente al CCV para 25 realizaciones de una carga de oro.

TABLA 2
CCV y estadísticas de resumen para
contenido de metal en una carga de oro.

TABLA 3
Informes de clasificación y evaluación de
reservas de mineral parametal, toneladas y
grado promedio.
Seleccionar umbrales en un depósito de cobre
El ejemplo de un depósito de pórfido de cobre en Canadá ilustra el uso de una clasificación
basada en CCV para recursos / clasificación de reserva. El ejemplo considera la parte del
depositar dentro de los límites de pozo óptimos (ver Leite y Dimitrakopoulos, 2010, en este
volumen). Para el presente estudio, 25 realizaciones de los grados de cobre de 20 × 20 × 10 m3
bloques son usado. La figura 8 muestra el tonelaje de mineral por encima del 0.3 por ciento Cu
corte utilizado aquí trazó contra el CCV para los 25 simulados realizaciones del yacimiento de
cobre generado directamente en el bloque tamaño requerido (por ejemplo, Benndorf y
Dimitrakopoulos, 2007). Similar al caso de estudio anterior, la figura muestra un aumento
claramente propagación (riesgo) en el tonelaje de mineral a medida que aumenta el CCV. Figura
8 sugiere la presencia de un riesgo bajo para un CCV de hasta aproximadamente 0,45 como
tonelaje relacionado por encima de las curvas de corte son en su mayoría superposición. La
extensión de la misma curva aumenta hasta un CCV de 0.85, cuando el spread parece alcanzar
su máximo y se estabiliza a esa extensión máxima. Estos dos valores del CCV pueden usarse
como los valores de umbral elegidos para el recurso clasificación.
Comentarios
Es importante tener en cuenta que los umbrales utilizados en los anteriores ejemplos cambiarán
de depósito a depósito, diferentes geológicos zonas y diferentes productos. Sin embargo, el
proceso de generar valores de CCV seguirá siendo los mismos y relativamente distintos frenos
en las distintas curvas y tablas correspondientes estar. Además, es importante reiterar que a
diferencia enfoques tradicionales, clasificación de los bloques utilizando cualquiera de los las
medidas propuestas generadas mediante el uso de simulaciones reflejan tanto densidad de
datos como variación de grado local. La figura 9 muestra el CCV clasificación de bloques en una
sección de la veta de oro discutido anteriormente, junto con los datos de perforación
disponibles. A pesar de que la densidad de perforación varía, la clasificación no siempre muestra
una fuerte correlación con la densidad de perforación. Por ejemplo, un denso el área perforada
no siempre se puede clasificar como medida, como enfoques de clasificación tradicionales
pueden implicar. Los bloques informados en la clasificación de recursos deben ser del mismo
tamaño de soporte. Si este no es el caso, soporte independiente medidas pueden ser derivadas.
Un enfoque conocido es estandarizar el CCV de un bloque de un tamaño de soporte dado
usando la raíz cuadrada de la varianza de dispersión correspondiente (p. ej., Sabourin, 1983).
Otro comentario práctico es que el número de simulaciones requerido en este enfoque
depende de la sensibilidad de los resultados. Si las simulaciones adicionales no afectan la
clasificación general, no son requeridos Todos los enfoques de clasificación pueden ser
mejorados mediante la elección de una agrupación espacial racional de clasificados bloques en
una categoría para evitar su dispersión poco realista. Por último, pero no menos importante, la
capacidad de simular eficientemente grandes depósitos y administrar los datos generados es de
importancia crítica para implementar los enfoques sugeridos.
UN ENLACE AL PROGRAMA DE PRODUCCIÓN Y ALGUNOS ASPECTOS RELACIONADOS
Los enfoques y ejemplos discutidos en las secciones anteriores no considere la influencia
potencial de la programación de producción para clasificación de reservas de mineral Se puede
argumentar que la secuencia y el tiempo de la minería agrega una nueva dimensión a las
decisiones sobre la reserva clasificación. Esto se debe a los criterios para decidir qué es un
riesgo aceptable en un año puede no ser necesariamente el mismo en las decisiones de diez
años más tarde y el riesgo asociado a la minería parte de un yacimiento este año no
necesariamente debe evaluarse en de la misma manera que lo que se va a extraer algunos años
después cuando la información y las condiciones serán diferentes. Una extensión del ejemplo
del depósito de diamantes aluviales presentado anteriormente se utiliza aquí para ilustrar la
cuantificación de incertidumbre en las reservas (y por lo tanto cumplir con los objetivos de
producción) - aquí el volumen total de mineral extraído. Primero, una producción horario se
desarrolla a través de medios convencionales para doce 500×500m2 de bloques y considera la
extracción de cuatro bloques de ese tipo por período durante tres períodos de producción.
Entonces, la evaluación de la incertidumbre es realizada a partir de un conjunto de modelos de
yacimientos simulados al mismo bloquear escala de soporte para modelar la incertidumbre en
el volumen de cada período de producción. La Figura 10 muestra los ccdfs para volúmenes de
material extraído en cada uno de los tres períodos de producción, por lo tanto describiendo su
incertidumbre. Además, la Figura 10 muestra el riesgo perfil del volumen esperado para tres
períodos de producción. Si el riesgo es un criterio principal en la clasificación de la reserva,
luego la reserva en el primer período de minería tal vez debería ser clasificada en una diferente
categoría de eso en el tercer período.

FIG 8 - Tonelaje de mineral versus el CCV para 25 realizaciones del depósito de cobre.
FIG 9 - Bloques en una sección de una carga de oro
clasificada usando el CCV clasificación (izquierda) y
usando la perforación disponible (derecha).

La integración y la comprensión de la interacción entre clasificación de reserva con la secuencia


de extracción y producción la programación tradicionalmente no se considera, aunque en el
pasado, la simulación condicional se ha utilizado para probar la incertidumbre de cronogramas
de producción (Ravenscroft 1992 y otros). De todos modos, eso es lógico, como sugiere el
simple ejemplo anterior, considerar mejorar los enfoques de clasificación. Por ejemplo, el las
medidas de incertidumbre descritas anteriormente se pueden usar para clasificar recursos /
reservas dado un programa de producción y considerar diferentes criterios de clasificación para
los períodos de minería con el fin de reflejar el tiempo. También es y quizás más importante
recalcar que la programación puede realizarse bajo incertidumbre geológica y riesgo geológico
el descuento se puede aplicar dentro de las formulaciones de programación. Este concepto de
descuento se introduce en Dimitrakopoulos y Ramazan (2004) y usado en una nueva mina
estocástica a largo plazo planificadores de producción (Ramazan y Dimitrakopoulos, 2009;
Benndorf y Dimitrakopoulos, 2010, en este volumen) llevan a una Mezcla deseada de materiales
dentro de períodos que brinden perfil de riesgo preespecificado en un período de
programación, optimizando así el clasificación de reservas. Es posible mejorar sustancialmente y
proporcionar evaluaciones más realistas y clasificación de se reserva cuando los cronogramas y
la incertidumbre de los recursos son conjuntos manejado.

CONCLUSIONES

Los recursos minerales y las reservas de mineral se clasifican como medidos, Indicado, Inferido y Probado
o Probable respectivamente ambos para informes públicos y evaluaciones internas de la compañía.
Recurso/ la clasificación de reserva se basa tradicionalmente en criterios geométricos, como el número
de muestras o agujeros de perforación dentro de un volumen, o alguna forma de varianzas de
estimación. Aunque es transparente y relativamente fácil de entender, estos criterios ignoran la
variabilidad local de calificaciones dentro de un depósito y puede conducir a una simplificación excesiva
o tergiversación de la confianza de las calificaciones estimadas. En este artículo, un enfoque que integra
ambos criterios geométricos y se describe la variabilidad de grado in situ y su aplicación explorado El
enfoque se basa en la simulación condicional y la cuantificación del riesgo en cinco pasos: generación de
realización del depósito en la escala de soporte de bloque apropiada, derivación de funciones de
distribución acumulativa condicional de bloquear calificaciones o atributos seleccionados, utilización del
Condicional Coeficiente de variación (CCV) del grado ccdf dentro de un bloque como la medida de
incertidumbre para la clasificación de recursos de cada bloque en el modelo de mineralización,
clasificación de recursos / reservas, y evaluación y producción de perfiles de riesgo para estimaciones.
Los aspectos prácticos y las complejidades del enfoque propuesto se exploran en tres aplicaciones en un
depósito de diamantes aluviales, una veta de oro epitermal y un depósito de pórfido de cobre. Un
observación interesante, común a estas aplicaciones, es que hay son agrupaciones naturales del CCV de
bloques mineros que permiten categorización racional de recursos o reservas de forma transparente y
forma técnicamente defendible. Con esta herramienta, junto con las existentes prácticas, como
examinar secciones transversales del depósito, para asegurar que se cumplan las definiciones en los
Códigos Nacionales de Información. Como un resultado, informe de la clasificación de recursos / reservas
y puede apoyar una mejor toma de decisiones de inversión.

Una mejora clave de este enfoque podría ser vincularlo a programación de producción minera, primero,
para que la cuenta de clasificaciones para unidades de producción a lo largo del tiempo: lo que se
extraerá en diez años no debería ser clasificado como lo que se va a extraer el próximo año y en segundo
lugar, considerar el control de la clasificación de recursos / reservas a través de la fusión y el
aplazamiento de riesgos, una capacidad que los programadores estocásticos pueden ofrecer.

FIG 10 - Funciones de distribución acumulativa condicional que describen la incertidumbre en el


volumen de materiales mineralizados para la producción períodos (izquierda) y perfil de riesgo
en el volumen esperado para tres períodos de producción (derecha). Las varianzas trazadas no
son acumulativas.
EXPRESIONES DE GRATITUD
Gracias a los miembros de la industria de COSMO Laboratorio: AngloGold Ashanti, Barrick, BHP
Billiton, De Beers, Newmont, Vale y Vale Inco, así como NSERC (Discovery Grant 239019), el
Programa de Cátedras de Investigación de Canadá y CFI son agradecidos.
REFERENCIAS
Arik, A, 2002. Comparación de metodologías de clasificación de recursos con un nuevo enfoque,
en Proceedings Applications of Computers and Investigación operativa en la Industria Minera
(APCOM) 2002.
Audet, M y Ross, A F, 2007. Koniambo lateritic depósitos de Ni-Co, Nuevo Caledonia: un estudio
de caso desde el modelado geológico hasta el mineral clasificación de recursos, en Orebody
Modeling y Strategic Mine Planning, segunda edición (ed: R Dimitrakopoulos), pp 235-244 (The
Instituto Australasiano de Minería y Metalurgia: Melbourne). Benndorf, J y Dimitrakopoulos, R,
2007. Nuevos métodos eficientes para simulación condicional de grandes cuerpos de mineral,
en Orebody Modeling y Strategic Mine Planning, segunda edición (ed: R Dimitrakopoulos), pp
61-68 (El Instituto Australasiano de Minería y Metalurgia: Melbourne).
Benndorf, J y Dimitrakopoulos, R, 2010. Estocástico a largo plazo programación de la producción
de depósitos de mineral de hierro: integración de la junta Incertidumbre geológica de
elementos múltiples, en Advances in Orebody Modelado y planificación estratégica de minas I
(ed: R Dimitrakopoulos), pp 151-158 (El Instituto Australasiano de Minería y Metalurgia:
Melbourne).
Canadian Securities Commissions (CSA), 2005. Instrumento nacional 43-101: Estándares para la
divulgación de proyectos minerales. David, M, 1977. Estimación de la reserva de minerales
geoestadísticos, p 364 (Elsevier: Los países bajos).
David, M, 1988. Manual de minerales geoestadísticos avanzados aplicados Estimación de
reservas, p 217 (Elsevier: Países Bajos).
David, M y Dagbert, M, 1977. Predecir toneladas antes de desaparecer la producción comienza,
o los bloques pequeños no son buenos para planear depósitos de pórfido, documento
presentado a la reunión anual de la American Instituto de Minería, Metalurgia e Ingeniería del
Petróleo, Atlanta. Dimitrakopoulos, R y Ramazan, S, 2004. Producción basada en la
incertidumbre programación en minería a cielo abierto, Pyme Transactions, 316: 106-112.
Dohm, C, 2005. Clasificación cuantificable de los recursos minerales: una lógica enfoque, en
Geostatistics Banff 2004 (eds: O Leuangthong y C Deutsch), 1: 333-342 (Springer: Dordrecht).
Duggan, S y Dimitrakopoulos, R, 2005. Aplicación de condiciones simulación para cuantificar la
incertidumbre y clasificar un diamante Depósito de deflación, en Geostatistics Banff 2004 (eds:
O Leuangthong y C Deutsch), 2: 419-428 (Springer:Dordrecht).

You might also like