Profesor: José Delgado

Ivonne Salas

Evaluación de yacimientos / II Semestre 2017

UNIVERSIDAD DE ANTOFAGASTA

Facultad de Ingeniería

Departamento de Ingeniería en Minas

EVALUACIÓN DE RESERVA A TRAVÉS DE VULCAN

8.0.2 EN EL CAMPO LINEAL.

Victor Chavez Michea

Dick Chelmes Ramos

Richard Ferreira García

Camilo Riquelme González

Manuel Rojas Chelmes

27 Noviembre de 2017
 RESUMEN

El negocio minero consiste principalmente en transformar los recursos

minerales existentes en un beneficio económico para el dueño y la comercialización
de los mismos. Parte de la transformación de los recursos minerales es de suma
importancia la fragmentación que le damos a la roca para separar el mineral de ley
de aquel que no poseen las cualidades para obtener un beneficio económico. El
concepto de dividir las partículas o granos de la roca matriz tiene la particularidad de
disminuir la granulometría espacial de esta para obtener una liberación clara del
mineral y llevarlo a una composición más homogénea que la obtenida en su
conjunto, por ende incluye todas aquellas actividades en las que se liguen a la
trituración, chancado y molienda de estas para contener un concepto de liberación
radical y así la transformación de este en una materia prima lista para comenzar el
tratamiento final para su comercialización, es por esto que es necesario comprender
la importancia de esta en este negocio, pues de no utilizar una buena separación del
mineral de ley de la ganga genera pérdidas en relación a la cantidad inicial que
posee este sólido en su estructura principal. (Segunda unidad curso de química 3.
“Procesos de extracción y concentración de minerales”, IQM José Ruíz Velasco et. al
IQM Angélica Guillen Méndez, 2010).

La minería como negocio involucra una gran cantidad de capital con un alto nivel de
incertidumbre, y es la etapa de planificación y evaluación la encargada de guiar para
obtener el mejor resultado económico, que parte con un modelo geológico, cuyas
variables mineralógicas, estructurales, leyes y otras, como es el análisis de las
muestras en laboratorios para contener una referencia con cierta precisión y
exactitud del recurso como propiamente tal, es decir, obtener cierta incertidumbre de
lo que existe bajo la superficie y así realizar un estudio favorable para evitar pérdidas
en el negocio minero. Si bien es cierto afirmar que el análisis de las muestras en
laboratorios o QA/QC contienen errores en las bases de datos entregadas por los
analistas, estas sugieren que cada vez de comenzar una estimación del recurso con

2
respecto a sus reservas se debe realizar una revisión previa para tener un
conocimiento de que muestras analizaremos, por qué las analizaremos, cuáles son
las diferencias de las muestras conocidas y las que contienen un mayor grado de
incertidumbre (datos atípicos, anómalos y leyes negativas). (Tesis Universidad de
chile, “Desarrollo de metodologías de optimización del portafolio de proyectos de
exploración para yacimientos de cobre”, Luis Moreno Ibarra, octubre 2013).

Con respecto a lo anterior podemos asimilar que los esquemas realizados en el

estudio para obtener una similitud de las leyes con sus respectivos ponderadores se
utilizaron los conceptos de la varianza del kriging ordinario para la categorización de
las leyes con respecto a los potenciales obtenidos en cada muestra con el fin de
obtener un barrido de cómo se distribuye la mineralización con un error simulado,
además su ángulo de inclinación, rumbo y azimut, por consiguiente rel tipo de
yacimiento como génesis de este y la cantidad de toneladas obtenidas de mineral
con su respectiva ley de corte y ley media asumidas con sus toneladas de cada una
de ellas, es necesario comprender que ciertas categorizaciones de los bloques de
mineral están distribuidas según la incertidumbre de esta, ya sea medida, indicada e
inferida. Para resumir lo anterior podemos mencionar que nuestro objetivo se centra
en los rangos de los medidos e indicados, los cuales nos entregarán el mineral
probado con un porcentaje de probabilidad mayor que aquel probable definido como
inferido. (“Estimación de recursos mineros”, Marco Alfaro Sironvalle, julio 2007).

El factor aplicado en el análisis de muestra es simple, lograr disminuir la

incertidumbre que genera una serie de muestras obtenidas por sondajes para
llevarlos a una liberación mineral, luego clasificarlos y obtener una rotulación del
mineral para luego estandarizarlos en gráficas de clasificación como baja, media y
alta ley con el fin de agruparlos y mantener un orden en la planificación de estos
para su estudio. Finalmente se debe enviar estas muestras a los laboratorios
pertinentes y obtener la clasificación final vía bases de datos y gráficas y así lograr
una resolución clara para disminuir nuestra incertidumbre a base de errores que

3
teóricamente son aceptados según su clasificación. Además, utilizar las bases con el
fin de administrar el recurso minero y derivarlo a una reserva de esta para obtener
las clasificaciones concretas que serán suministradas según el criterio de medición
probable y probado para la obtención de cuánta cantidad de mineral podemos
obtener con cierto grado de incertidumbre cercano a la realidad y que entregara un
grado afable del criterio de lo que necesitamos para que el negocio minero no
culmine. (“Estimación de recursos mineros, Marco Alfaro Sironvalle, julio 2007).

4
 ÍNDICE

RESUMEN .................................................................................................. 2
DEFINICIONES GENERALES ......................................................................... 7
CAPITULO 1 ............................................................................................... 9
INTRODUCCIÓN ......................................................................................... 9
1.1 OBJETIVOS........................................................................................... 9
1.1.1 OBJETIVO GENERAL ............................................................................................................ 9
1.1.2 OBJETIVOS ESPECÍFICOS ............................................................................................... 10
1.1.3 ALCANCE ............................................................................................................................... 10
CAPÍTULO 2 ............................................................................................. 12
REVISIÓN BIBLIOGRÁFICA ........................................................................ 12
2.1 TEORÍA DE ESTIMACIÓN DE RECURSOS ....................................................................... 12
CAPÍTULO 3 ............................................................................................. 21
MATERIALES Y MÉTODOS .......................................................................... 21
3.1 CLASIFICACIÓN BASE DE DATOS. .................................................................................... 21
3.1.1 ESTUDIO DATOS ORIGINALES .................................................................................... 21
3.1.2 ESTUDIO DATOS CONOCIDOS. .................................................................................. 22
3.1.3 ESTUDIO DE DATOS ANÓMALOS ............................................................................... 23
3.1.5 MEDIDAS DE POSICIÓN Y DISPERSIÓN ................................................................... 25
3.2 IMPLEMENTACIÓN DE SOFTWARE VULCAN 8.0.2........................................................ 32
3.2.1 ANÁLISIS VARIOGRÁFICO ............................................................................................ 34
3.3 ESTIMACIÓN ............................................................................................................................ 40
3.4 CATEGORIZACIÓN DE RECURSOS ................................................................................... 43
CAPÍTULO 4 ............................................................................................. 46
RESULTADOS OBTENIDOS ......................................................................... 46
4.1 RESULTADOS DE LA ESTIMACIÓN DE RECURSOS ..................................................... 46
4.2 RESULTADOS DE LA CATEGORIZACIÓN DE RECURSOS .......................................... 49
4.2.1 CATEGORIZACIÓN PARA CUT% ................................................................................. 50
4.2.2 CATEGORIZACIÓN PARA CUS% ................................................................................. 52
CAPÍTULO 5 ............................................................................................. 56
CONCLUSIÓN ........................................................................................... 56

5
 TABLA DE FIGURAS
Figura 1 Categorización de reserva y recurso ............................................... 18
Figura 2 Sondaje del proyecto Damone ....................................................... 24
Figura 3 Referencia de rango de leyes según su color .................................... 32
Figura 4 Elipsoide ..................................................................................... 33
Figura 5 Valores de Ángulos elipsoide .......................................................... 34
Figura 6 Variograma CuT Azimut 120° plunche -13°...................................... 35
Figura 7 Variograma CUT Azimut 30° y Plunche 0 ......................................... 35
Figura 8 Variograma CUT 120° Plunche 77° ................................................. 36
Figura 9 Variograma CuS Azimut 120° plunche -13° ..................................... 37
Figura 10 Variograma CUS Azimut 120° y plunche 0° .................................... 37
Figura 11Variograma CUS Azimut 120° y Plunche 77° ................................... 38
Figura 12 Variograma AG Azimut 120° Plunge -13° ....................................... 39
Figura 13 Mineral Estimado ........................................................................ 40
Figura 14 Discretizacion 4x4x4 ................................................................... 41
Figura 15 Ajuste radio de búsqueda ............................................................ 42
Figura 16 Mínimo y Máximo para estimar un bloque ...................................... 42
Figura 17 Estimación realizada ................................................................... 43
Figura 18script con las variables para obtener la categorización correcta (AG%)45

6
DEFINICIONES GENERALES

Roca: Son agregados de minerales sólidos de origen natural, cuyos componentes

son definidos y se encuentran ordenados en su interior formando cristales. Existen
tres categorías, cuyos procesos de formación son bien distintivos: las rocas pueden
ser ígneas, sedimentarias o metamórficas.

Roca mineral: Denominación que se le da a la roca de cierta calidad (ley).

Roca estéril: Denominación a la roca de menor calidad a la requerida o sin ley.

Rotura de la roca: Son superficies a lo largo de las cuales una roca o mineral se ha
roto. (Superficies a lo largo de las cuales el material ha perdido cohesión). Las
fracturas se distinguen por el movimiento relativo que ha ocurrido a lo largo de ellas
durante su formación. Además, se puede entender como rotura a la fragmentación
de esta para otorgar la liberación del mineral de ley compuesto en ella.

Liberación del mineral: Hace referencia al tamaño de grano mínimo al cual hay que
moler una mena para lograr separar sus especies minerales de la ganga. Cabe
mencionar que esta puede realizarse por una rotura aleatoria o no aleatoria.

Rotura aleatoria: Fragmentación de la roca de forma aleatoria con el fin de liberar el

mineral de ley existente en esta independientemente de la textura, caracteres físicos
y la mecánica del sólido. Generalmente se aplica para conceptos de estudios de la
roca.

Rotura no aleatoria: Fragmentación de la roca de forma selectiva según sus

caracteres físicos y mecánicos del sólido con el fin de liberar el mineral de ley
existente. La aplicación de este tipo de rotura o fragmentación es necesaria para
obtener un mayor grado de recuperación del mineral y lograr que el trabajo de la
molienda sea eficaz en comparación con el de rotura aleatoria.

Cargamento: Es la cantidad de material entregado en una sola partida.

Lote: Cantidad de material a ser muestreada, cuya composición se quiere estimar.

7
Incremento: Una cantidad de materia seleccionada del lote mediante un dispositivo
de muestreo en una sola operación.

Muestra: Es una cantidad de materia que es extraída del lote, a menuda obtenida
mediante la reunión de distintos incrementos o fracciones del lote es representativa.

Muestreo: Es la acción de recoger muestras representativas de la calidad o

condiciones medidas de un todo.

Protocolo de muestreo: Es un procedimiento tipo secuencial, que tiene por objeto

visualizar los pasos que se deben seguir hasta conseguir el producto.

Muestra equitativa: Una muestra es equitativa cuando es reproducible y

suficientemente exacta para satisfacer los requerimientos del cliente.

8
 CAPITULO 1

INTRODUCCIÓN

Primeramente, cabe mencionar que este estudio se realizó con respecto a la

base de datos suministrada por el profesor a cargo en el cual se instó a realizar un
análisis comprensivo de las muestras según sus categorías y obtener resultados
concretos sobre el estudio de estas y como se distribuyen bajo las normativas de las
categorías y las leyes. Es necesario comprender que el estudio previo no fue
realizado por nosotros sino por analistas que entregaron sus resoluciones del caso y
que objetivamente dieron a conocer sus resultados en base a las operaciones
realizadas en cada muestra y así concretar la decisión que otorgaremos en este
estudio definitivo.

Además, se estudió el caso de cada una de ellas y la comprensión de los diversos

problemas que pueden tener la base de datos con el fin de eliminar cada vez más la
incertidumbre que existe en las muestras y en las respuestas entregadas por los
analistas. Cabe mencionar que este estudio se basó en las bases de datos collar,
assay y survey, el cual se trabajó para cada una de los respectivos minerales.

OBJETIVOS

1.1 OBJETIVO GENERAL

Analizar la base de datos entregada por el profesor a cargo con el fin de

sostener una conclusión clara de cómo se distribuyen las leyes según los análisis de
las muestras, sus estándares correspondientes y ponderados según el ponderador a
utilizar, además de sus características principales para cada estimación y luego su
categorización para contener la información con una menor incertidumbre en cada

9
curva de tonelaje ley con sus respectivas leyes medias, leyes de corte y los tonelajes
totales para cada medición (medido, indicado e inferido) de cada mineral con el fin de
evaluar claramente el recurso estimado.

1.2 OBJETIVOS ESPECÍFICOS

 Justificar el uso de Kriging ordinario (de media desconocida) para condicionar

las simulaciones.

 Analizar la variabilidad de los datos dependiendo el compósito a estimar.

 Realizar la categorización de los recursos en la categoría de medido,

indicado e inferido de acuerdo al nivel de confianza en la estimación.

 Realizar un análisis variográfico dependiendo de los diferentes tipos de

direcciones a evaluar.

 Realizar un estudio exploratorio de los datos.

1.3 ALCANCE

El trabajo se enmarca en el contexto de los siguientes alcances:

 Desarrollar un estudio para determinar la correspondencia de los datos según

la categorización de cada uno de ellos.

10
 Implementar un estudio en base a gráficos de curva tonelaje ley el cual arroje
un estimado de cuanto es lo que vamos a extraer de mineral.

 Verificar una correlación de los datos con sus respectivos ponderadores para
estimar según la varianza del kriging.

11
 CAPÍTULO 2

REVISIÓN BIBLIOGRÁFICA

2.1 TEORÍA DE ESTIMACIÓN DE RECURSOS

2.1.1 GEOESTADÍSTICA

Es el análisis y modelación en la variabilidad espacial de datos obtenidos

mediante estudios geológicos previos. El objetivo es realizar el siguiente estudio
mediante análisis y conseguir la predicción de los fenómenos presentes en espacio-
tiempo tales como lo son las leyes de minerales metálicos de interés.

El análisis geoestadístico se realiza generalmente en tres etapas de siguiente orden:

• Análisis exploratorio de los datos.

• Análisis estructural.

• Predicción de fenómenos presentes.

El alcance implica la relación de los datos, después del alcance existe una
independencia de los datos

2.1.2 VARIABLE REGIONALIZADA

12
 Se define como un fenómeno natural regionalizado, que se extienden en el
espacio geográfico por lo general, y que tiene una cierta continuidad, este espacio
también puede ser en ocasiones un espacio abstracto.

2.1.3 CAMPO

El campo es la región o dominio donde se estudia la variable regionalizada, se

debe entender que esta variable no posee una extensión infinita, y por consecuente
debe ser acotada por cierta región la cual denominamos campo de la variable.

2.1.4 SOPORTE

Se puede realizar una representación para la variable regionalizada para

planos unidireccionales, bidimensional (superficie) o tridimensionales (volumen). El
soporte se denomina como la distancia, superficie o volumen sobre el cual se está
considerando la variable regionalizada.

2.1.5 EFECTO SOPORTE

Consiste en que los soportes más voluminosos presentan una menos

cantidad de valores extremos y una mayor cantidad de valores intermedios que los
soportes puntuales. Así la distribución de los valores (en especial la varianza)
depende del soporte en el cual está definida la variable regionalizada.

13
2.1.6 COMPÓSITO

Es la regularización de los tamaños de los sondajes, de tamaño diferente a

un régimen de tamaños regulares. La mayor parte de los datos originales vienen
como sondajes irregulares por ende se deben compositar para evitar el problema
de tener datos homogenizados. La compositacion tiene como características sus
coordenadas, leyes, unidad geológica y código identificador de sondaje .Todos
estos datos puede ser ingresados en un sistema computacional.

2.1.7 HISTOGRAMA

Permite detectar los datos atípicos en las muestras. Este valor atípico podría
reflejar el comportamiento verdadero de la variable regionalizada y eliminarlo
impediría prever la ocurrencia de tales valores en las zonas no muestreadas.

Histograma podremos visualizar distintos comportamientos presentes en los datos

analizados, como por ejemplo la presencia de poblaciones de datos que se pueden
observar fácilmente y que se asocian a separaciones físicas del depósito.

2.1.8 DATOS ATÍPICOS

Los datos atípicos podrán observarse de tal manera que están notablemente
alejados con respecto a la media de los datos y no representan el comportamiento
masivo del depósito. Es relevante tomar consideración que estos tipos de datos no
representan el comportamiento general de la muestra pero si nos pueden dejar en
evidencia las característica de un segmento válido de la población y por

14
consecuencia la falta de representatividad de cierta porción de la muestra. Estos
datos pueden ser perjudiciales o beneficiosos en el análisis.

2.1.9 DATOS AUSENTES

Son datos que se encuentran ausentes en el estudio, producido por algún tipo
error humano o computacional. Por esto la normalidad de encontrar valores ausentes
en la base de datos. También puede suceder que existan errores al momento de
introducir los datos y esto conlleva la ausencia de ciertos datos, estos datos
ausentes tendrán su relevancia en la pérdida de representatividad de la muestra
analizada.

2.1.10 VARIOGRAMA

Es una herramienta geoestadistica que permite analizar el comportamiento

espacial de una variable en sobre el área definida y expresa la correlación espacial
entre los valores muestreados. El variograma permite conocer el alcance, es decir, la
distancia máxima en que la muestra tiene influencia con otra muestra. Atreves de
los datos propuestos en el variograma teórico, se realiza una estimación por medio
del krigeaje, que permite estimar o encontrar el valor los ponderadores en cada una
de las muestras.

Se denomina variograma experimental a aquel que es obtenido por estimación a

partir de los datos de una muestra y el variograma teórico es la ecuación que se
ajusta al variograma experimental.

El variograma es una representación gráfica de dos dimensiones en el eje

vertical representa el variograma de los datos, en una dirección dada, mientras
que en el eje horizontal presenta la distancia entre pares de muestra.

15
2.1.11 ANISOTROPÍA GEOMÉTRICA

Se produce cuando los diversos variogramas pueden reducirse a un

variograma isótropo mediante una transformación lineal de las coordenadas. El caso
más común en la práctica es cuando los variogramas presentan un mismo valor de
meseta pero diferentes alcances.

2.1.12 ANISOTROPÍA ZONAL

En este caso la anisotropía no puede ser reducida por una transformación

lineal simple de las coordenadas, entonces se define el modelo de anisotropía zonal
como un modelo anidado.

2.1.13 ERROR DE ESTIMACIÓN

Error de estimación= Valor conocido estimado – Valor desconocido real

Cuando damos un pronóstico, normalmente no se ofrece un solo valor

puntual, sino un intervalo en que creemos variará la predicción. Por tanto, junto al
valor pronosticado debemos ser capaces de ofrecer también el error asociado a ese
pronóstico.

El análisis de errores no sólo es imprescindible como estándar de validación de un

modelo sino además es una pieza clave en la evaluación de un modelo en tanto que
ayuda a evaluar la calidad de la y sirve de base para localizar vías de mejora.

16
2.1.14 KRIGEAGE

Es un método geoestadístico de estimación de puntos que utiliza un modelo

de variograma para la obtención de datos. La técnica de krigeage asume que los
datos recogidos de una determinada población se encuentran correlacionados en el
espacio.

El krigeage es una técnica que se utiliza en la evaluación de yacimientos para

estimar el valor de una variable regionalizada en un punto o bloque, a partir de
unos factores de ponderación que trabajan de forma semejante a como lo hace
el método de estimación inverso a la distancia. Calcula los pesos que se darán a
cada punto de referencias usadas en la valoración

2.1.14.1 PROPIEDADES DEL KRIGEAGE

Existen varias propiedades positivas asociadas al estimador krigeage.

Además, de ser insesgado y tener una varianza mínima de estimación, las
propiedades son:

• El krigeage tiene un efecto selectivo, permitiendo seleccionar las muestras

más cercanas.

• Es un interpolador exacto. El krigeage, estimará toda la información de los

puntos conocidos exactamente igual. No hay error.

2.1.14.2 KRIGEAGE ORDINARIO

17
 Es una técnica de estimación que proporciona el mejor estimador lineal
imparcial de variable estacionaria de media no conocida.

2.1.15 VECINDAD DE ESTIMACIÓN

El krigeado de un bloque V debería realizarse considerando todos los datos

disponibles (krigeado completo). Sin embargo, esta situación implica cálculos muy
largos; por otra parte, las muestras alejadas tendrían un peso casi nulo. Por esta
razón la práctica recomienda restringirse a una vecindad de estimación que puede
ser una esfera o círculo, o bien un elipsoide o elipse (3D y 2D)

El krigeado de un bloque V debería realizarse considerando todos los datos

disponibles (krigeado completo). Sin embargo, esta situación implica cálculos muy
largos; por otra parte, las muestras alejadas tendrían un peso casi nulo. Por esta
razón la práctica recomienda restringirse a una vecindad de estimación que puede
ser una esfera o círculo, o bien un elipsoide o elipse (3D y 2D).

2.1.16 CLASIFICACIÓN DE RECURSOS Y RESERVAS

Figura 1 Categorización de reserva y recurso

18
2.1.17 CATEGORIZACIONES DE RECURSOS

Existen tres tipos de clasificaciones de Recursos, el cual independiente del

nombre lo importante es la Confianza en la bondad de Estimación.

• Recurso inferido: es aquella parte de un Recurso Mineral por la cual se puede

estimar el tonelaje, ley y contenido de mineral con un bajo nivel de confianza. Se
infiere a partir de evidencia geológica y se asume pero no se certifica la continuidad
geológica ni de la ley

• Recurso Indicado: es aquella parte de un Recurso Mineral para el cual puede

estimarse con un nivel razonable de confianza el tonelaje, densidad, forma,
características físicas, ley y contenido mineral.

• Recurso medido: es aquella parte de un Recurso Mineral para el cual puede

estimarse con un alto nivel de confianza el tonelaje, su densidad, forma,
características físicas, ley y contenido de mineral.

2.1.18 ELEMENTOS UTILIZADOS EN LA CATEGORIZACIÓN DE RECURSOS Y

RESERVAS

• Distancias entre muestras y bloques.

• Números de muestras.

• La varianza del krigeado.

19
2.1.18.1 POR LA VARIANZA DE ESTIMACIÓN DEL KRIGING

Ejemplo: si X B = valor medio del bloque.

Y B = √ Y2 B desvío de los valores del bloque.

Y B < al 25% de X B medidas

Y B > al 25% de X B indicadas

Y B > al 40% de X B inferidas

Estos % pueden variar, tratándose de diferentes materiales, o bien si son bloques de

diferente tamaño.

20
 CAPÍTULO 3

MATERIALES Y MÉTODOS

3.1 CLASIFICACIÓN BASE DE DATOS.

3.1.1 ESTUDIO DATOS ORIGINALES

Se realiza un estudio de los datos entregados a través del proyecto damone los
cuales presentan las variables de interés

 Collar
 Survey
 Assay

Dentro de la base de dato Assay se concentran las variables CUT, CUS, AG de las
cuales se realizara un estudio estadístico, investigando la cantidad de datos
entregados, tantos conocidos y los no tomados en consideración, con una ley de
corte 0.3% para CUT.

CUT% -20 2597 datos de un total de 65079

CUS% -20 ; -40 60119 datos de un total de 65079

AG% -43 ; -21 ; -20 55353 datos de un total de 65079

21
En la base de dato analizada se determinaron valores negativos de los cuales
podemos mencionar que son leyes con una alta cantidad de incertidumbre, ya que
estas pueden ser por distintos motivos como malas rotulaciones de muestras,
contaminación de la muestra y una ley muy baja (estéril)

3.1.2 ESTUDIO DATOS CONOCIDOS.

Se realiza un estudio con respecto a los datos ya evaluados considerando una
diferencia entre la obtención de los datos con cierta incertidumbre y la cantidad total
de datos originales.

CUT% 65079 – 2597 = 62482

CUS% 65079 – 60119 = 4960

AG% 65079 – 55353 = 9726

Con la información entregada en la tabla () se puede obtener a través de la

diferencia entre el CUT con el CUS la cantidad de datos de Cobre Insoluble (CIS)

CUT = CUS + CIS

 62482 – 4960 = 57522 cantidad de datos de cobre insoluble

22
3.1.3 ESTUDIO DE DATOS ANÓMALOS
En la base de dato analizada se determinaron datos anómalos ya que al
aplicar la formula () se obtuvieron 29 datos anómalos, ya que el cobre soluble era
mayor al cobre total.

A estos datos se le aplicó una variación con respecto a la solubilidad que contenía el
sondaje.

3.1.4 ESTUDIOS ESTADÍSTICOS EXPLORATORIOS DEL YACIMIENTO

El primer paso a realizar en cualquier análisis estadístico, es conocer la

información disponible. Este tipo de análisis nos permitirá caracterizar las diversas
posibles poblaciones en el depósito mineral.

La correspondiente discriminación o separación de zonas diferente en el yacimiento

es muy importante previo al análisis estructural o geo estadístico. El estudio
estadístico permite caracterizar estadísticamente el conjunto de las muestras o
datos, permite a demás establecer correlaciones entre las distintas variables,
correlaciones que a partir de su utilidad permite la valoración en sí, serán de gran
interés para el control y selección del mineral durante su posterior explotación.

23
La información obtenida para llevar a cabo el análisis estadístico por unidad
geológica, se logró a partir de una campaña de sondajes para el cobre total, cobre
soluble y plata, en donde se realizaron 236 sondajes con un largo de perforación que
van desde 12 metros – hasta los 614 metros. Luego se mostrara una imagen donde
se muestran los sondajes realizados en el proyecto y su topografía figura ()

Figura 2 Sondaje del proyecto Damone

Vértice Norte Este Cota

V1 (mínimo) 7537753.01 373356.02 201

V2 (máximo) 7539555.82 374665.88 556.366

Esta área que cubre la zona mineralizada nos va permitir evaluar los recursos in-situ
(tonelaje y ley media). En esta etapa se puede realizar una primera estimación global
utilizando la información proveniente de los sondajes obtenidos en esta campaña es
sabido que la precisión de la estimación no solo dependerá del número de muestras

24
que se utilice si no de la variabilidad in situ de la ley del depósito y por supuesto de la
manera que esta variabilidad sea muestreada.

A continuación, mostraremos en el gráfico () que nos detallan la posición espacial de

los collares de los sondajes del proyecto.

Gráfico 1 Coordenadas de los collares de los sondajes

3.1.5 MEDIDAS DE POSICIÓN Y DISPERSIÓN

Al analizar los parámetros de posición y dispersión que se obtuvieron al

realizar un análisis estadístico de los datos, entregados por una campaña de
sondajes para el CUT, CUS y AG se obtuvo la siguiente información.

25
 Estadígrafo/Variable CUT CUS AG
Recuento 62769 4960 9726
Promedio 0,16999 0,894651 0,987947
Mediana 0,033075 0,606375 1,0693
Moda 0,011025 0,33075 0
Varianza 0,271053 0,840413 1,40829
Desviación Estándar 0,520628 0,916741 1,2011
Coeficiente de
Variación 3,06% 1,0247% 1,21%
Mínimo 0 0 0
Máximo 12,5685 8,66565 10,0783
Rango 12,5685 8,66565 10,0783

Se puede observar en la tabla de resumen los parámetros de posición y dispersión

que se obtuvieron al realizar el análisis estadístico de los datos, entregados por una
campaña de sondaje, donde podemos establecer los siguientes comentarios:

 Se aprecia que las medias de las leyes obtenidas para cada una de las
variables analizadas (CUT , CUS , AG) , fueron [0,16 ; 0,89 y 0,98] y además
se puede ver que los valores más frecuentes de las leyes de cada una de las
variables son [0,011025 ; 0,33075 ; 0].

 También se puede visualizar que los valores en donde el mismo número de

leyes estén en cada uno de sus lados para cada una de las variables
analizadas fueron [0,033075; 0,606375 :1,0693] %

26
 Con las medidas obtenidas de dispersión para cada de las variables
analizadas fueron de Desviación Estándar [0,520628; 0,916741; 1,2011] %
respectivamente, estos valores más la media obtenida anteriormente nos
permite determinar los intervalos de variación para cada uno de las variables.

 La varianza calculara para cada variable, nos indica una alta dispersión de las
leyes respecto a sus medias debido a que las desviaciones estándares son
mayores que las medias de cada variable.

 Se observa que los valores obtenidos al calcular el coeficiente de variación

para las variables contenidas fueron de [3,06%; 1,0247%; 1,21%].

Gráfico 2Histograma del CUT

27
 Se puede observar en el histograma para el cobre total posee una
concentración de muestras con leyes que fluctúan entre 0 % y 1.5%,
justamente este corresponde al rango que contiene a la media.

 El cobre total presenta un claro sesgo positivo muy similar a la que presenta
una distribución log normal.

 El mayor número de muestras se concentra específicamente entre 0,1 y 0.6

con una frecuencia 75% de los compositos totales.

CUT Rango N° Datos

Estéril 0 – 0.299 56027

Baja 0.3 – 0.559 2194

Media 0.56 – 1.19 2177

alta 1.2 – 13 2084

28
 Gráfico 3 Histograma CUS

 Se puede observar en el histograma del cobre soluble que a diferencia del

cobre total, se aprecia un menor rango de datos, si bien es cierto que en el
grafico (3) no es posible visualizar el valor máximo de ley es 8,66 debido a la
escala del mismo y por tratarse de un valor puntual se observa un importante
sesgo positivo.

 La mayor concentración de leyes se logra entre el 0,1 y 1,2% promediando

alrededor de 1200 muestras.

 Nuevamente se puede advertir una concentración notoria de leyes bajas

mientras que el resto se reparte en el rango, provocando un sesgo
pronunciado a la derecha similar al de la distribución normal.

29
 CUS% Rango N° Datos

Estéril 0 – 0.299 1123

Baja 0.3 – 0.559 1169

Media 0.56 – 1.19 1553

alta 1.2 – 13 1115

Gráfico 4 Histograma AG

 En el grafico (4) muestra la forma que se concentran los datos entre 0 – 0.1%.

 Se puede observar que en la figura () muestra una distribución bástate

irregular debido a la presencia de una gran variedad de leyes distintas a partir
del 1.1 y estas comienzan a disminuir hasta llegar a 10% que sería su valor
máximo.

30
 AG% Rango N° Datos

Estéril 0 – 0.999 4766

Baja 1 – 1.4 1515

Media 1.401 – 1.9 1736

alta 1.901 – 11 1685

3.1.6 COMPOSITACION

Para definir nuestro compósito se toma como campo de estudio las leyes de CUT
(cobre total), CUS (cobre soluble) y AG (plata) Para el método se debe definir el
largo de los compósitos, el cual se considerará de un metro como medida
estándar. El método también nos entrega la posibilidad de calcular diferentes
parámetros estadísticos tales como:

 Peso de la media
 Grado máximo
 Grado mínimo
 Varianza
 Numero de muestro

31
Tabla 1 Comparación de varianza

Compositacion 1 mts Compositacion 2.5 mts Compositacion 5 mts

CUT 0.272012 0.213503 0.176670

CUS 0.1177 0.135255 0.145635

AG 0.336260 0.431544 0.491485

3.2 IMPLEMENTACIÓN DE SOFTWARE VULCAN 8.0.2

Luego de importar los datos se crea una leyenda para diferencias las leyes de
cobre total mediante colores representativos

Figura 3 Referencia de rango de leyes según su color

Figura 1 Referencia de rangos de leyes según su color

32
Una vez que ya tenemos cargados los sondajes con sus respectivas leyendas se
determinó el tamaño del composito dependiendo de sus respectivas varianzas y a
esto se le centrara un elipsoide X, Y, Z con el objetivo de detectar direcciones
privilegiadas de mineralización para obtener un variograma ortogonal.

Figura 4 Elipsoide

Usando los valores del elipsoide y tomando en cuenta el azimut la inclinación y el

rumbo se empieza a crear el variograma ortogonal con sus respectivas tres
direcciones.

33
 Figura 5 Valores de Ángulos elipsoide

3.2.1 ANÁLISIS VARIOGRÁFICO

El objetivo principal es ajustar el variograma experimental a un modelo teórico

conocido con el fin de disponer de una ecuación matemática la cual será utilizada
en los cálculos posteriores de evaluación específicamente en el krigeage, gracia a
esto distinguiremos dos clase de variogramas.

 Variograma experimental, calculado a partir de los datos

 Variograma teórico que corresponde a una ecuación que se ajusta al
variograma experimental

Es evidente que el variograma teórico debe representar al variograma

experimental sobre todo los primeros puntos que estos son los más
confiables.

A continuación, daremos a conocer los variogramas experimentales y

teóricos obtenidos para cada una de las variables estudiadas.

34
3.2.1.1 ANÁLISIS VARIOGRAMAS CUT

Figura 6 Variograma CuT Azimut 120° plunche -13°

Figura 7 Variograma CUT Azimut 30° y Plunche 0

Figura
Figura3 Variograma CUT
2 Variograma Azimut
CUT 30°120°
Azimut y Plunche
plunche0 -13°

35
 Figura 8 Variograma CUT 120° Plunche 77°

Al analizar los variogramas estudiados se puede estimar que el efecto pepa

calculado es de () para ambos casos lo que nos indica que existe una moderada
variabilidad en las leyes estimadas, asimismo se puede decir que para los distintos
variogramas con los azimut (120°, 30°, 120°) se puede concluir que la anisotropía
geométrica en ambos casos es simétrica ya que solo cambia la dirección del
alcance y mientras que la meseta se mantiene constante.

36
3.2.1.2 ANÁLISIS VARIOGRAFICOS PARA CUS

Figura 9 Variograma CuS Azimut 120° plunche -13°

Figura 10 Variograma CUS Azimut 120° y plunche 0°

Figura 4 Variograma CUS Azimut 120° y plunche 13°

37
 Figura 5 Variograma CUS Azimut 30° Plunche0°

Figura 11Variograma CUS Azimut 120° y Plunche 77°

Figura 6 Variograma CUS Azimut 120° y Plunche 77°

Al analizar los variogramas estudiados se puede estimar que el efecto pepa

calculado es de (0.717) para ambos casos lo que nos indica que existe una
moderada variabilidad en las leyes estimadas, asimismo se puede decir que para
los distintos variogramas con los azimut (120°, 30°) se puede concluir que la
anisotropía geométrica en ambos casos es simétrica ya que solo cambia la
dirección del alcance y mientras que la meseta se mantiene constante.

38
3.2.1.3 ANÁLISIS VARIOGRAFICOS PARA AG

Figura 12 Variograma AG Azimut 120° Plunge -13°

Figura 7 Variograma AG Azimut 120° Plunge 77°

39
 Al analizar los variogramas estudiados se puede estimar que el efecto pepa
calculado es de (0.681) para ambos casos lo que nos indica que existe una
moderada variabilidad en las leyes estimadas, asimismo se puede decir que para
los distintos variogramas con los azimut (120°, 30°) se puede concluir que la
anisotropía geométrica en ambos casos es simétrica ya que solo cambia la
dirección del alcance y mientras que la meseta se mantiene constante

Para el ultimo variograma presentando se puede decir que presenta una regular
aleatoriedad sin estructura mineralizada.

3.3 ESTIMACIÓN

Primero que todo se define lo que es sólido con valor 1 y todo lo que se
encuentra fuera del sólido como valor 0.

Figura 13 Mineral Estimado

40
 Se realizara la estimación del bloque a través del krigeage ordinario, ya que
el krigeage es el mejor estimador lineal insesgado y es el método más utilizado, ya
que se desconoce el valor promedio de la variable regionalizada, para luego
comenzar a estandarizar mediante una descretizacion la cual consiste en dividir
los bloques entre los ejes X, Y, Z

Figura 14 Discretizacion 4x4x4

La figura (12) nos da la opsion de discretizar en la cual se divide el bloque

en bloques mas pequeños para poder estimar según el tipo de selección estimada

Se dividira el bloque en X Y Z puntos que seran estimados con las mismas

muestras para despues calcular un promedio para el bloque.

41
 Figura 15 Ajuste radio de búsqueda

A partir de esta opsion se puede indicar la rotacion de los ejes de elipsoide

para la busqueda de las muestras, para el caso de la orientacion de la elipsoide de
busqueda en la orientacion de las estructuras del variograma se debe indicar
bearing, plunge y dip.

Figura 16 Mínimo y Máximo para estimar un bloque

42
 En esta opción se ingresó el mínimo número de muestras para que un
bloque se pueda estimar y el máximo de numero de muestras para la estimación.

Figura 17 Estimación realizada

Se puede apreciar que se estimó el 100 % de los bloques

3.4 CATEGORIZACIÓN DE RECURSOS

Por lo general se pueden definir varios tipos de reservas, esto va a

depender de una serie de factores, en nuestro caso hemos definido tres
categorías o clases de recursos utilizadas de manera más frecuente, esto
clasificándolas en recurso medido, indicado e inferido.

43
 Los recursos medidos literalmente contienen un alto grado de certidumbre
por el análisis, por la estimación de los recursos basándose en datos geológicos o
pruebas representativas tal que la información de la continuidad de leyes permita
su validación. Por su parte, Los recursos indicados son la reservas no probadas
sobre las que el análisis geológico de los datos sugiere que es más probable que
sean producidas que no lo sean, por último, los recursos inferidos son aquellas no
probadas en las que el análisis geológico sugiere que es menos probable que
sean recuperadas que las reservas indicadas.

Es importante mencionar y comprender que lo realmente importante en la

categoría de reservas establecidas no es esencialmente su nombre sino que la
confianza asociada a cada una de esas categorías.

Para llevar a cabo la categorización de recursos del yacimiento en estudio,

se utilizó un grado de confianza, en el caso del kriging y sus variantes, se mide a
través de la varianza del error del kriging y es por esto que para darle objetividad a
la categorización de recursos se utilizara la variable conocida como “cut_vk,
cus_vk y ag_vk”.

Lo que se hace es mediante un histograma varianza v/s N° de bloques

calcular la varianza bajo la cual el bloque se considere medido, otra varianza
sobre la cual se consideren recursos inferidos. Entre medio quedan los recursos
indicados.

Luego estos rangos de varianzas del kriging obtenidos en los histogramas,

se insertan en un script, donde se le dan los valores de 1 para los recursos
medidos, 2 para los recursos indicados y 3 para los recursos inferidos. Estas
variables varían según el mineral en estudios ya sea para CUT%, CUS% o AG%,
como muestran en la figura (3.19).

44
Figura 18script con las variables para obtener la categorización correcta (AG%)

45
 CAPÍTULO 4

RESULTADOS OBTENIDOS

4.1 RESULTADOS DE LA ESTIMACIÓN DE RECURSOS

Una vez que se ha estimado, podemos obtener las siguientes curva tonelaje
v/s ley para nuestras 3 variables CUT%, CUS% y AG%, y sus tablas de datos
obtenidas.

4.1.1 Estimación para CUT%

Tabla 4.1: Tonelajes del cobre total para la estimación mediante kriging ordinario

46
 Cutoff Ley media CUT% Tonelaje
0 1.04 21514177.6
0.5 1.07 20804291.8
1 1.32 10517184.4
1.5 1.85 2226215.7
2 2.41 497660.79
2.5 2.92 144778.49
3 3.55 38092.76

4.1.2 ESTIMACIÓN PARA CUS%

Gráfico 4.2 Curva Ton/ley CUS%

47
 Tabla 4.2: Tonelajes del cobre soluble para la estimación mediante kriging ordinario

Ley media
Cutoff CUS% Tonelaje
0 0.86 21464439
0.5 0.99 17252315.9
1 1.27 7541838.26
1.5 1.69 1044772.96
2 2.29 75668.55
2.5 2.77 12805.11
3 3.16 2137.42
3.5 0 0

4.1.3 ESTIMACIÓN PARA AG%

Gráfico 4.3 Curva Ton/ley AG%

48
 Tabla 4.3: tonelajes de la Plata AG% para la estimación por kriging ordinario

´Ley media
Cutoff AG% Tonelaje
0 1.92 21514762
0.5 1.92 21514762
1 1.92 21514762
1.5 2.06 17444641.7
2 2.34 8795902.84
2.5 2.77 1965557.08
3 3.32 290388.21
3.5 3.78 66133.72
4 4.22 11906.86
4.5 4.62 730.31
5 0 0

4.2 RESULTADOS DE LA CATEGORIZACIÓN DE RECURSOS

Una vez que se ha Categorizado, podemos obtener las siguientes curva

tonelaje v/s ley de los recursos medidos, indicados e inferidos para nuestras 3
variables CUT%, CUS% y AG%, y sus tablas de datos obtenidas.

49
4.2.1 CATEGORIZACIÓN PARA CUT%

Gráfico 4.4: Curva tonelaje Ley CUT% recursos medidos

Gráfico 4.5: Curva tonelaje Ley CUT% recursos indicados

50
 Gráfico 4.6: Curva tonelaje ley CUT% recursos inferidos

Tabla 4.4 Tonelajes Recursos Categorizados CUT%

Recursos Límite Límite Ley media Tonelaje

inferior superior

Medidos 0 0.992 1.06 10960047.2

Indicados 0.992 1.107 1.03 10294745.4

Inferidos 1.107 - 1.07 259384.9

51
4.2.2 CATEGORIZACIÓN PARA CUS%

Gráfico 4.7: Curva tonelaje ley CUS% recursos medidos

Gráfico 4.8: Curva tonelaje ley CUS% recursos indicados

52
 Gráfico 4.9: Curva tonelaje ley CUS% recursos inferidos

Tabla 4.5 Tonelajes Recursos Categorizados CUS%

Recursos Límite Límite Ley media Tonelaje

inferior superior

Medidos 0 0.421 0.95 5148495.47

Indicados 0.421 0.455 0.82 15713102.6

Inferidos 0.455 - 1.06 602841.01

53
Gráfico 5.10: Curva tonelaje ley AG% recursos medidos

Gráfico 4.11: Curva tonelaje ley AG% recursos indicados

54
Tabla 4.6: Tonelajes Recursos Categorizados AG%

Recursos Límite Limite Ley de Tonelaje

Inferior Superior corte

Medidos 0 0.2 2.07 3999548.03

Indicados 0.2 0.564 1.89 17515213.99

Inferidos 0.564 - - 0

55
 CAPÍTULO 5

CONCLUSIÓN

En la actualidad, en tiempos que el cobre sufre unas seguidillas de baja de

precio, la estimación de recurso y reserva pasa a ser un parte fundamental para la
empresa minera, de manera que optimizando los recursos para la inversión se
debe tener los datos más confiables posibles, es por esto que se debe realizar una
buena exhaustiva evaluación de los datos y usando bien los criterios para ser
aplicados.

Conforme al software Vulcan, herramienta de modelamiento utilizada para

estimar parámetros del yacimiento, tal como, la variabilidad, comportamiento de
leyes, krigeage se puede realizar el análisis variográfico que aporta información tal
como anisotropía y modelamiento. Centrándose en las variables COLLAR,
SURVEY y ASSAY se estimaron las características fundamentales del proyecto
como composito.

Se puede decir que la categorización nos demuestra que tan confiable es la

evaluación realizada y con tal calificativo a los bloques trabajaremos de ahí en
adelante, teniendo en cuenta el nivel de confianza entregado.

Con la categorización se concluyó que existen un a gran cantidad de datos

medidos e indicados, para la variable CUT. Se apreció un afloramiento de mineral,
el cual se ubica en la zona donde existen mayor cantidad de datos. Esta zona se
considera como interés, es esta parte la que sería más fácil de extraer el recurso
mineral, debido a que se encuentra a poco profundidad por lo que se tendrá que
remover poco material estéril.

56