Professional Documents
Culture Documents
Pág. 1
GEOESTADÍSTICA
BIENVENIDOS AL CURSO 4
ANTECEDENTES GENERALES 4
OBJETIVOS GENERALES 4
OBJETIVOS ESPECÍFICOS 4
TEMÁTICAS 5
METODOLOGÍA DE TRABAJO 5
RESULTADOS ESPERADOS 6
REQUISITOS DE APROBACIÓN 6
EVALUACIONES 6
REQUISITOS DE APROBACIÓN 6
PROGRAMA DEL CURSO 7
Pág. 2
MODULO IV : MODELOS DE SIMULACIÓN DE LEYES 89
UNIDAD I: BASES DE LA SIMULACIÓN 89
UNIDAD II: SIMULACIÓN CONDICIONAL GAUSSIANA 99
UNIDAD III: SIMULACIÓN CONDICIONAL DE INDICADORES. 106
L EYES DE CORTE ESCOGIDAS : 106
UNIDAD IV: APLICACIONES EN MINERÍA 111
Pág. 3
BIENVENIDOS AL CURSO
Antecedentes Generales
El curso considera revisar los procesos de estimación de leyes, modelamiento
geológico, análisis estadístico de la data, variografía experimental y estructural,
estimación mediante Kriging ordinario, Kriging simple, Kriging de indicadores y
simulación condicional y no-condicional de leyes.
Objetivos Generales
Entregar los conocimientos básicos para llevar a cabo proceso de estimación
de leyes puntuales, cambio de soporte y estimación de leyes de bloques; asi
mismo, entregar las bases de los procesos de simulación condicional gaussiana
y de indicadores.
Objetivos Específicos
Específicamente, durante el curso desarrollaremos los siguientes puntos claves
que permiten fortalecer el conocimiento de la Geoestadística.
Pág. 4
• Análisis variográfico estructural
• Análisis de Anisotropías
• Modelos de estimación (kriging ordinario, kriging simple, kriging de
indicadores)
• Análisis de trends (contactos)
• Validación del modelo de leyes de bloques
• Modelos de Simulación de leyes
Temáticas
• Modelo Geológico
• Modelo de bloques
• Variografía
• Estimación de leyes
• Kriging Ordinario, Simple
• Simulación Condicional (Gaussiana y de Indicadores).
Metodología de Trabajo
La metodología de trabajo del curso estará basada en la lectura del material de
estudio previo a cada clase con el profesor. Adicionalmente, durante las clases
se repasarán los conceptos claves de cada modulo mediante la exposición de
casos prácticos y relato de experiencias reales. Al final de cada módulo el
alumno deberá desarrollar un trabajo para evaluar su conocimiento adquirido.
Pág. 5
Resultados Esperados
Al final del curso se espera que el alumno haya adquirido los conocimientos
básicos de la Geostadística, análisis de data, Variografía, estimación y
simulación de leyes.
Requisitos de Aprobación
Evaluaciones
Requisitos de Aprobación
Este curso tiene una calificación mínima de un 60% para la obtención del
certificado de aprobación.
Pág. 6
Programa del Curso
A continuación se presenta el programa del curso que describe que módulos y
unidades serán revisados en cada uno de las clases en vivo:
17 de
Modelo Geológico/Modelo de Bloques Noviembre
2016
17 de
Modelamiento y
Compositación de Sondajes Noviembre
Análisis de Data
2016
17 de
Análisis exploratorio de la data Noviembre
2016
24 de
Variografía Experimental Noviembre
Análisis
2016
Variográfico
24 de
Variografía Estructural Noviembre
2016
Variografía de Indicadores 24 de
Pág. 7
Noviembre
2016
24 de
Análisis de Anisotropías Noviembre
2016
01 de
Modelos de Cambio de Soporte Diciembre
Estimación de 2016
Leyes 01 de
Kriging (Ordinario y Simple) Diciembre
2016
01 de
Kriging Puntual y de Bloques Diciembre
2016
01 de
Validación del Modelo de Leyes Diciembre
2016
07 de
Modelos de
Bases de la simulación Condicional Diciembre
Simulación
2016
07 de
Simulación Gaussiana y de Indicadores Diciembre
2016
Pág. 8
07 de
Uso de simulaciones en Minería Diciembre
2016
Pág. 9
MODULO I : MODELAMIENTO Y
ANÁLISIS DE DATA
P á g . 10
Infill: Es la que se realiza para mejorar el nivel de incertidumbre del
conocimiento geológico y se realiza en una malla de menores distancias entre
sondajes. Se conoce también como exploración de relleno.
P á g . 11
Perforación con Diamantina:
P á g . 12
Figur a 3 : T esti gos (C or e Sa mples)
P á g . 13
Triconos utilizados para moler la roca y generar Detritus. La profundidad se
logra mediante la interacción de pull-down y sistema de rotación.
P á g . 14
• Survey : Contiene los largos de la muestra, las dimensiones From y To a
lo largo del sondaje, el Azimut y el Dip.
P á g . 15
Modelamiento Geológico Tridimensional (Maptek, sf):
¿Porqué hacerlo?
P á g . 16
Existen varios softwares en el mercado que permiten esta visualización:
P á g . 17
Con el uso de varias secciones y plantas (interpretación bidimensional), se
realiza un modelamiento tridimensional.
Hay varios softwares que utilizan los wireframes creados por una serie de
triángulos anidados que van formando el cuerpo mineralizado tridimensional o
en 3D.
P á g . 18
Unidad II: Modelo de Bloques
Esta unidad será tratado en mayor detalle en los siguientes módulos; sin
embargo, el objetivo de los ingenieros de mina es tener un modelo de bloques
con leyes estimadas que le permitan diseñar las faenas mineras, tanto de Cielo
Abierto como Subterránea.
P á g . 19
Figur a 8 : M odelo de Blo ques c on l eyes est ima das
P á g . 20
Unidad III: Compositación de Sondajes
Generalmente los intervalos de muestreo en los pozos de exploración no
coinciden con los intervalos de trabajo en la fase de estimación de recursos.
P á g . 22
Existen varias formas de compositar y estas son las siguientes:
P á g . 23
Para escoger la longitud de regularización se emplea las siguientes reglas
empíricas:
P á g . 24
Unidad IV: Análisis Exploratorio de Data
El análisis exploratorio de datos es un conjunto de técnicas estadísticas cuya
finalidad es conseguir un entendimiento básico de los datos y de las relaciones
existentes entre las variables analizadas.
El examen previo de los datos es un paso necesario, que lleva tiempo, y que
habitualmente se descuida por parte de los analistas de datos.
P á g . 25
El análisis tiene los siguientes objetivos:
• Definir la(s) zona(s) de estudio. Una división del campo en varias sub-
zonas puede ser relevante si uno observa cambios abruptos en la
distribución espacial de valores, o si la geología del fenómeno lo indica.
P á g . 26
Análisis Estadístico:
Histogramas:
P á g . 27
Medidas de Posición:
P á g . 28
Medidas de dispersión:
P á g . 29
Correlación Lineal:
P á g . 30
Probability Plot:
Una gráfica de probabilidad es una gráfica que puede utilizar para evaluar el
ajuste de una distribución a sus datos, estimar percentiles y comparar
diferentes distribuciones de muestras. Una gráfica de probabilidad hace lo
siguiente: Crea una función de distribución acumulada (cdf) estimada a partir
de su muestra al graficar el valor de cada una de las observaciones en
comparación con su probabilidad acumulada estimada. Las escalas se
transforman de manera que la distribución ajustada forme una línea recta. Un
buen ajuste de distribución es uno en que las observaciones están cerca de la
línea ajustada.
P á g . 31
MODULO II : ANÁLISIS
VARIOGRÁFICO
P á g . 32
de la roca o la recuperación metalúrgica, describen un fenómeno de
mineralización;
• La porosidad y la permeabilidad de la roca en un reservorio de petróleo o
en un acuífero;
• La concentración de un elemento contaminante en la atmósfera o en el
suelo;
• La altitud topográfica en un punto del espacio geográfico;
• La conductividad eléctrica, el pH y la concentración en nutrientes
medidas sobre una muestra de suelo;
• El número de árboles y su diámetro promedio en áreas de observación
de un bosque.
Variograma y Semivariograma.
Figur a 15 : Vect or h
P á g . 34
El semivariograma, conocido también como variograma, es la herramienta
central de la Geoestadística. Dada una variable regionalizada Z (x) que cumpla
la Hipótesis
Donde N(h) es el número de pares Z(xi) y Z(xi+h) son valores separados a una
distancia (h).
P á g . 35
Ejemplo de Variograma Lineal:
5–3–6–4–2–1–1–2–4–3-2
5.00
4.50
4.00
3.50
3.00
γ(h)
2.50
2.00
1.50
1.00
0.50
0.00
0
200
400
600
800
1000
1200
Lag (h)
P á g . 37
Pasos para la selección de muestras:
P á g . 38
¿Qué hacer cuando la data se encuentra distribuida en tres dimensiones X, Y,
Z?
Figur a 19 : C ono en el
espa cio Figur a 18 : M éto do del Lá piz
P á g . 39
Reglas prácticas para el cálculo del variograma experimental:
P á g . 40
Debido a que γ(h) es esencialmente una media muestral, tiene todas las
desventajas comúnmente asociadas a este tipo de estimador como es la no
robustez.
Desviaciones en el muestreo.
P á g . 41
Otras formas para estimar la variabilidad espacial de las muestras.
107500
107000
106500
En estos casos,
Mean
cuando se calcula el variograma experimental, en los pares
seleccionados se encuentran bajas leyes y altas leyes, cuya diferencia elevada
Median
P á g . 43
Lo primero que se debe hacer es investigar la posibilidad de separar en
diferentes dominios o regiones, y de esa forma lograr separar muestras de
diferentes poblaciones regionales. Una vez que se ha hecho esto, se debe
proceder a realizar un análisis exploratorio de la data de las regiones.
P á g . 44
Ejemplo del análisis de la variabilidad espacial, de la misma data con el
Correlograma:
Covarianza:
P á g . 45
Otro modelo es el “Pairwise Relative Variogram” en donde se le da menos
peso a la presencia de Outliers.
P á g . 46
Unidad II: Variografía Estructural
Ya se ha revisado las diferentes formas de calcular el variograma experimental
de la variabilidad espacial de las leyes; sin embargo, para poder utilizar esta
variabilidad, se deben ajustar modelos matemáticos que asegurarán que las
matrices de kriging tengan solución.
P á g . 47
bien la realidad, el Efecto Pepita no debe representar mas del 50% de la
meseta. Si el ruido espacial en las mediciones explica en mayor proporción la
variabilidad que la correlación del fenómeno, las predicciones que se obtengan
pueden ser muy imprecisas.
P á g . 48
Modelos Estructurales:
Esférico:
P á g . 49
Exponencial:
P á g . 50
Gaussiano:
Potencia:
P á g . 51
Seno Cardinal:
Modelos Anidados:
P á g . 52
Unidad III: Variografía de Indicadores
El variograma de indicadores es muy simple y sirve para incluir información
adicional “soft” de la región; por ejemplo, se puede utilizar para determinar la
“probabilidad” de ocurrencia de un tipo de roca, la probabilidad de limites de
mineralización, puede servir para calcular los ponderadores cuando las
poblaciones no pueden separarse en forma física, etc.
En el caso de leyes de mineral, se puede definir una ley de corte; por ejemplo,
si se han tomado muestras y se desea estimar la probabilidad de que en los
lugares que no se tomó muestra, exista la posibilidad de obtener leyes sobre la
ley de corte definida.
Para ello se debe definir una nueva variable “I” que dependerá de la ley de
corte.
Con esta nueva variable que sólo contiene valores 0 (cero) y 1 (unos), se
procede a analizar la variabilidad espacial de la variable I, mediante el
variograma de los indicadores.
P á g . 53
Ejemplo, si se desea saber cual es la probabilidad de encontrar valor sobre una
ley de corte de 0.6 % CuT, entonces:
Figur a 25 : va ri ogr ama de indica dor es ajust a do con dos estr uct ura s esf éric as ani dada s.
P á g . 54
Unidad IV: Análisis de Anisotropías
Variograma Según el Comportamiento Direccional
P á g . 55
Anisotropía Geométrica
P á g . 56
Anisotropía Regional o Zonal:
P á g . 57
Mapa de Variograma:
P á g . 58
Ejemplo:
Figur a 27 : Va rma p de C uT
P á g . 59
Ejemplo de Anisotropía en 3D:
P á g . 60
• Luego se agrega una segunda estructura para llegar a la segunda meseta,
dejando infinito el alcance en la dirección Este.
• γ(h) = 0.1 + Exp (200m, 120m, 50 m) + 0.3 Exp ( ∞, 120m, 50m)
P á g . 61
MODULO III : MODELOS DE
ESTIMACIÓN DE LEYES
Unidad I: Cambio de Soporte
Como se explicó anteriormente, a superficie o el volumen sobre el cual se
considera la variable regionalizada se denomina soporte, a menudo el soporte
es un cilindro llamado testigo.
P á g . 62
Figur a 31 : Difer entes so port es
P á g . 63
Este efecto de soporte tiene importantes consecuencias en la evaluación de
yacimientos, pues los datos disponibles (sondajes, pozos de tronadura) no
tienen el mismo soporte que las unidades a estimar
P á g . 64
Efecto en el Histograma:
Curvas de Selectividad:
P á g . 65
Figur a 33 : C urva de T onela je
P á g . 66
Las curvas de selectividad cuantifican los recursos recuperables en un
yacimiento (tonelaje, cantidad de metal, etc.). Dependen de cuatro factores:
P á g . 67
Para minimizar el efecto de información, se buscará un estimador preciso e
insesgado (global y condicionalmente)
P á g . 68
Unidad II: Kriging Ordinario y Simple
El kriging es un término que ha sido acuñado para designar al "mejor
estimador lineal insesgado" de un punto y al mejor promedio lineal móvil
ponderado de un bloque.
Este nombre apareció alrededor de 1960 para nombrar una técnica creada en
Francia por Matheron a partir de los trabajos de D. G. Krige quién fue
probablemente el primero que hizo uso de la correlación espacial y del mejor
estimador lineal insesgado en el campo de la evaluación de yacimientos
minerales.
Sea Z (x) una función aleatoria, la cual está definida en un soporte puntual y es
estacionaria de segundo orden, con :
E ⎡Z (x)⎤ = m; ∀x
C ( h ) = E ⎡⎣ Z ( x + h ) Z ( x ) ⎤⎦ − m 2
P á g . 69
• Una función variograma
P á g . 70
Kriging Ordinario:
P á g . 71
*
Se dice que Z (x0) es el mejor predictor, lineal en este caso, porque los pesos
se obtienen de tal manera que minimicen la varianza del error de predicción, es
decir que minimicen la expresión:
V(Z*(x0)−Z(x0))
Se tiene que:
P á g . 72
Luego se debe minimizar la función anterior sujeta a la restricción de que la
suma de los pesos (ponderadores) sea igual a 1 (uno) . Este problema se
resuelve mediante el método de multiplicadores de Lagrange.
P á g . 73
Por último, se deriva con respecto a μ
P á g . 74
La varianza de estimación de Kriging Ordinario, esta dada por:
Ejemplo:
P á g . 75
Sean las distancias entre las muestras las siguientes:
Y sea:
…..
P á g . 76
y varianza de estimación igual a:
P á g . 77
Kriging Simple:
Suponga que hay una variable regionalizada estacionaria con media (m) y
covarianza conocidas. De manera análoga a como se define en modelos
lineales (por ejemplo en diseño de experimentos) el modelo establecido en
este caso es igual a la media más un error aleatorio con media cero. La
diferencia es que en este caso los errores no son independientes.
E[Z(x)]= m
Para asegurar que no exista sesgo, a diferencia del kriging ordinario, no existen
restricciones del tipo:
P á g . 78
Unidad III: Kriging puntual y de bloques
Hasta el momento se han realizado estimaciones en un punto (Kriging Puntual);
sin embargo, en el caso cuando se desee conocer el valor promedio sobre una
región o bloque, se formulan las ecuaciones del Kriging de manera análoga al
caso puntual.
En las ecuaciones del Kriging puntual el vector del miembro derecho las
semivarianzas γ ij son reemplazadas por las semivarianzas promedios con
respecto al bloque Vk que se expresan como:
P á g . 79
Figur a 36 : Selecc ión de muest ra s par a est imar un blo que
Bloque V
Muestra de Tamaño v
P á g . 80
El cálculo de γ(V,v) tomaría mucho tiempo ya que debería considerar un número
casi infinito de puntos dentro del bloque de volumen V; sin embargo, se han
desarrollado algoritmos matemáticos que permiten obtener una buena
aproximación en un corto período de tiempo.
Selección de Muestras:
P á g . 81
La práctica ha demostrado que en el espacio de 2 dimensiones con una
vecindad que contenga un promedio del orden de 8 muestras, los resultados
son buenos. En el espacio de 3 dimensiones la situación es más compleja y
debe ser analizada en cada caso particular.
Una estrategia de búsqueda establece algunos parámetros que hay que utilizar
para la búsqueda de compósitos a utilizar en la estimación del bloque.
Dependiendo del software minero utilizado, estos parámetros son:
P á g . 82
Plan de Kriging:
P á g . 83
Ejemplo de Faena Minera:
1. First Pass
2. Second Pass
P á g . 84
3. Estimation Pass 3
4. Estimation Pass 4
4. Estimation Pass 5
• Blocks not estimated in passes 1-4 are assigned a value equal to the
average of the blocks estimated in pass 4 (by estimation unit and zone)
P á g . 85
Unidad IV: Validación del Modelo de leyes
Una vez terminado el proceso de estimación se procede a validar las leyes de
los bloques y analizar su comportamiento espacial.
P á g . 86
• Comparación de contactos geológicos y comportamiento de las leyes
mediante “Swath Plots”.
• El Swath Plot es un gráfico que compara la distribución de leyes en una
serie de bandas, generados en diferentes direcciones a lo largo del
depósito en donde se comparan los resultados de Kriging versus el
modelo de leyes entregado por el NN.
P á g . 87
Figur a 40 : Ejemplo de estim ació n de Au
P á g . 88
MODULO IV : MODELOS DE
SIMULACIÓN DE LEYES
Unidad I: Bases de la Simulación
Las estimaciones espaciales de un fenómeno regionalizado que se pueda
describir mediante una función aleatoria Z(x) son con frecuencia insuficientes
debido a múltiples factores, pero sobre todo debido a la carencia de suficiente
información (mediciones) acerca de la función aleatoria Z(x).
Una idea simple es simular esta realidad en base a un modelo, por lo que la
realidad y la simulación son variables diferentes de un mismo fenómeno.
P á g . 89
por su función de distribución de probabilidad o por sus dos primeros
momentos, los cuales son estimados a partir de datos experimentales.
Condicionamiento:
Z SC (x i )=Z M (x i ); i=1,...,n;
P á g . 90
La simulación condicional puede ser perfeccionada agregándole toda una
suerte de información cualitativa disponible del fenómeno real. Como por
ejemplo en el caso de un depósito se le puede añadir la geometría de las fallas
principales, etc.
¿Simulación o estimación?
P á g . 91
valores reales Z(x). En el caso del Kriging este produce un suavizado de
las dispersiones reales, dicho de otra forma, se subestima la variabilidad
de los valores reales.
• Mientras que el objetivo de la simulación es reproducir las propiedades
estadísticas de la función aleatoria Z(x). Dicho explícitamente, la
simulación ZS(x) posee los mismos momentos experimentales (media,
covarianza o variograma, así como el histograma) que los valores reales
{ZM(xi), i=1,...,n}, los cuales caracterizan las principales propiedades
estadísticas de Z(x). En particular, en las simulaciones condicionadas en
cada punto x el valor simulado ZSC(x) no es el mejor estimador posible de
Z(x). Por el contrario, se puede mostrar que la varianza del error de la
estimación de Z(x) mediante simulación condicional ZSC(x) es exactamente
el doble de la varianza del error usando Kriging.
P á g . 92
Métodos de Simulación de funciones aleatorias más conocidos:
P á g . 93
Una de las características distintivas de los métodos de simulación es si
generan directamente simulaciones condicionadas o si se requiere de un post-
procesamiento para condicionarlas usando Kriging. Existe una gran cantidad de
métodos que generan simulaciones Gaussianas, por lo que éste es otro punto a
tener en cuenta.
P á g . 94
Secuencia de la Simulación:
P á g . 95
Las muestras pueden ajustarse al nodo más cercano.
P á g . 96
Búsqueda de Muestras para simular el primer nodo
P á g . 97
Figur a 42 : T odo s lo s no dos simula dos
P á g . 98
Unidad II: Simulación Condicional Gaussiana
Como es conocido la mayoría de los fenómenos de ciencias de la tierra no
presentan histogramas simétricos y mucho menos gaussianos. Por lo que nos
enfrentamos aquí con la primera dificultad a la hora de aplicar esta clase de
métodos.
La primera condición necesaria para que una función aleatoria posea una
distribución normal multivariada es que su distribución univariada sea normal.
Esto nos dice que necesitamos transformar a la función aleatoria Z(x) de manera
que resulte su FDP (Función de Densidad de Probabilidad) normal.
P á g . 99
Secuencia de la Simulación Gaussiana:
P á g .100
Ejemplo:
Figur a 44 : Da to s t ra nsfo rma dos media nte ana mor fo sis G ussia na
P á g .101
Figur a 45 : Dist ri bución Acumula da de C uT
P á g .102
Figur a 47 : M uestr as co n va lor es tipic ado s N or mal (0,1)
P á g .103
Figur a 49 : Simula cio nes (Rea liza cio nes) equipo rba bles del Y a cimient o
P á g .104
Figur a 50 : His togr a ma de M uest ra s
P á g .105
Unidad III: Simulación Condicional de
Indicadores.
Usa el Kriging indicador para estimar la función distribución de probabilidad
local. Requiere del modelo del semivariograma para cada valor de corte zc
especificado por el usuario o como alternativa mas eficiente pero menos
precisa del semivariograma obtenido para el valor corte correspondiente a la
mediana zM .
P á g .106
Lc1: Υ(45,135) = 0.04 + 0.186 Sph (500, 900, 100)
P á g .108
Figur a 52 : Simula cio nes de Indica dor es
P á g .109
Figur a 53 : His togr a ma de M uest ra s
P á g .110
Unidad IV: Aplicaciones en Minería
Minera del Norte de Chile:
P á g .111
Figur a 55 : P ro babil idad de M iner aliz ació n
P á g .112
Con estas plantas se diseñó un cuerpo mineral, cuya probabilidad de
mineralización fuese mayor a un 25% y se determinaron los límites del cuerpo
mineralizado como se muestra en las siguientes imágenes:
P á g .113
Correlogramas de Data Normalizada:
P á g .114
P á g .115
Figur a 57 : Da to s simul ado s co n sus Leyes
P á g .116
Figur a 58 : Zona de Ex plor ac ión
P á g .117