Este trabajo tiene como objetivo estimar la ley y el tonelaje de los bloques de un cuerpo mineral mediante geoestadística y determinar los errores probables de la estimación. Se realizó un análisis exploratorio de datos, variogramas, un modelo de bloques y estimación de leyes por kriging ordinario. La validación mostró que kriging ordinario proporciona la mejor estimación en comparación con otros métodos como vecino más cercano y distancia inversa.
Tratamiento de datos_analisis de consistencia-matlab
Estimación de recursos por geoestadística
1. 1
PROYECTO DE ESTIMACION
DE RECURSOS V.R. Phi
Elevation 683.5 ± 2
2021-1I
Estudiantes:
Palpan León Edson Junior
Docente:
MBA. Hugo Solis Sarmiento
GEOESTADISTICA
2. CONTENIDO
1. RESUMEN 3
2. INTRODUCCION 4
3. ANALISIS EXPLORATORIO DE DATOS 5
4. VARIOGRAMAS 9
5. MODELO DE BLOQUES 12
6. ESTIMACION DE LEYES POR METODO K.O. 17
7. VALIDACION DE MODELAMIENTO 21
8. RECOMENDACIONES 37
2
3. 1. RESUMEN
La estimación de recursos/reservas se considera un proceso continuo que se inicia con la
exploración y recopilación de la información seguida de la interpretación geológica y la
estimación de recursos. Posteriormente se consideran los factores modificadores (mineros,
metalúrgicos, ambientales, legales etc.) y se arriba al estimado de reservas.
Este trabajo tienen como objetivo fundamental hallar la mejor estimación de la ley y el tonelaje
de los bloques de un cuerpo mineral así como determinar los errores probables de la estimación
con cierto nivel de confianza. La relevancia de las estimaciones depende de la calidad, cantidad y
distribución espacial de las muestras y el grado de continuidad de la mineralización.
La cantidad de reservas de un yacimiento, como uno de los factores principales que determinan
su viabilidad económica, posee una gran influencia en la vida útil del yacimiento, su producción
anual y la decisión final de construir la empresa minera.
3
4. 2. INTRODUCCION
What is the next step?
4
El éxito de cualquier negocio minero depende directamente de la calidad de las estimaciones de los recursos y reservas
realizadas a partir de la información generada durante las campañas de exploración. Este cálculo, como cualquier estimación
basada en un número limitado de muestras esta sujeto a variaciones o errores respecto al valor real. De aquí precisamente
surge la necesidad de establecer clasificaciones de recursos que indican los riesgos de las estimaciones realizadas.
Los principales sistemas de clasificación que se emplean hoy en el mundo se fundamentan en la confianza geológica y en la
viabilidad económica. Todos los esquemas de clasificación hacen uso del grado de confiabilidad o certidumbre como factor
discriminante entre las distintas clases, entre tanto ninguno de esos sistemas muestran claramente como calcular el error
asociado con cada estimación. Un elemento que complica aun más el proceso de categorización es la imposibilidad de
cuantificar el error cometido en la creación del modelo geológico del yacimiento. Producto de las dificultades encontradas en
cuantificar el error de estimación, los sistemas de clasificación se apoyan más en aspectos cualitativos que en medidas reales
de la dispersión de los valores obtenidos. Dado este elemento de subjetividad es que se introduce en la mayoría de los sistemas
de clasificación el concepto de persona competente (ver el NI – 43 – 101 código JORC).
5. 3. ANALISIS EXPLORATORIO DE DATOS
What is the next step?
5
ESTADISTICA DESCRIPTIVA GLOBAL
Para la data Ploteo variable regionalizada Phi:
Data Original
Población: 22517 muestras
Mínimo = 0
Máximo = 0.43852
Media = 0.26236
Mediana = 0.2831
Varianza = 0.00737
Q1= 0.20795
Q2= 0.28298
Q3= 0.33174
Histograma
6. 3. ANALISIS EXPLORATORIO DE DATOS
6
ESTADISTICA DESCRIPTIVA GLOBAL
Boxplot
Población: 22477 muestras
Mínimo = 0.00001
Máximo = 0.41898
Media = 0.262397
Mediana = 0.28297
Varianza = 0.007299
Q1= 0.20831
Q2= 0.28297
Q3= 0.33157
Boxplot
7. 3. ANALISIS EXPLORATORIO DE DATOS
7
ESTADISTICA DESCRIPTIVA GLOBAL
Boxplot
Población: 22477 muestras
Mínimo = 0.00001
Máximo = 0.41898
Media = 0.262397
Mediana = 0.28297
Varianza = 0.007299
Q1= 0.20831
Q2= 0.28297
Q3= 0.33157
Boxplot
Histograma
991
9199
5182 4870
2235
0
5000
10000
1 2 3 4 5
#
DE
MUESTRAS
ROCK TYPE
8. 3. ANALISIS EXPLORATORIO DE DATOS
8
ESTADISTICA DESCRIPTIVA VARIABLE PHI ELEVATION 683.5
Data Procesada
Población: 877 muestras
Mínimo = 0.00001
Máximo = 0.40398
Media = 0.263365
Mediana = 0.28437
Varianza = 0.007890
Q1= 0.20021
Q2= 0.28437
Q3= 0.34262
Estadística de numero de muestras por tipo de
roca
Histograma
23
454
14
320
66
0
200
400
600
1 2 3 4 5
#
DE
MUESTRAS
ROCK TYPE
9. 4. VARIOGRAMAS
9
VARIOGRAMAS DATA PLOTEO V.R. PHI
Variogramas de cuatro direcciones Az0, Az45, Az90, Az135 y Variograma omnidireccional
Az0 Az45 Az90
Az135
Variograma omnidireccional
10. 4. VARIOGRAMAS
10
VARIOGRAMAS V.R. PHI ELEVATION 684 ± 2
Variogramas de cuatro direcciones Az0, Az45, Az90, Az135 y Variograma omnidireccional
Az0 Az45 Az90
Az135
Variograma omnidireccional
11. 4. VARIOGRAMAS
11
VARIOGRAMAS V.R. PHI
Modelo de Variograma Teorico (0.0048; 0.0025; 369) Configuración de parámetros
Modelo Esférico de Variograma Teórico (0.0033; 0.00459; 204)
12. 5. MODELO DE BLOQUES
12
MODELO DE BLOQUES DATA PLOTEO V.R. PHI
Importamos los puntos al software SGeMS
Realizas la configuración para el modelo de bloques
Modelo de Bloque
13. 5. MODELO DE BLOQUES
13
MODELO DE BLOQUES DATA PLOTEO V.R. PHI
Realizas la estimación por el método de kriging Ordinario
Modelo de Bloque
14. 5. MODELO DE BLOQUES
14
Realizas la estimación por el método de kriging Ordinario
Exploración de Volúmenes
15. 5. MODELO DE BLOQUES
15
Modelo de Bloques V.R. PHI Elevation 684 ± 2
Modelo de Bloque
16. 5. MODELO DE BLOQUES
16
Realizamos la estimación por el método de kriging Ordinario
Modelo de Bloque por método OK
17. 17
6. ESTIMACION DE LEYES POR METODO KRIGING ORDINARIO
Luego de exportar las leyes generadas por el método kriging Ordinario
en el software SGeMS observamos los resultados:
nX = 98
nY= 105
nZ = 1
nX * nY * nZ =10290 bloques
Volumen de cada bloque = 400 m3
Densidad = 2.5 tn / m3
Toneladas por bloque = 1000 tn
Mínima Ley Phi = 0 gr/tn
Máxima Ley Phi = 0.363278 gr/tn
Total toneladas = 10290000 tn
Total finos Phi = 2409550.3 gr
Ley Promedia Phi = 0.234164 gr/tn
Así mismo realizamos el siguiente cuadro en base a la data obtenida:
Recursos
CutOff Toneladas Finos Ley
0.00 10290000 2409550.335 0.2342
0.02 9819000 2409550.335 0.2454
0.04 9819000 2409550.335 0.2454
0.06 9818000 2409496.437 0.2454
0.08 9769000 2406273.76 0.2463
0.10 9752000 2404744.14 0.2466
0.12 9655000 2394227.162 0.2480
0.14 9580000 2384328.329 0.2489
0.16 9084000 2308748.098 0.2542
0.18 8552000 2218737.431 0.2594
0.20 7520000 2020454.809 0.2687
0.22 6518000 1809725.763 0.2777
0.24 5007000 1460400.781 0.2917
0.26 3908000 1185543.791 0.3034
0.28 2826000 892978.088 0.3160
0.30 1916000 628982.823 0.3283
0.32 1177000 399722.745 0.3396
0.34 630000 218299.084 0.3465
0.36 26000 9413.431 0.3621
18. 18
6. ESTIMACION DE LEYES POR METODO KRIGING ORDINARIO
Observamos la curva tonelaje-ley, deducimos que a medida que la ley de
corte aumenta el tonelaje decrece y a su vez la ley promedio aumenta.
COG
Tonnes
(Ktons)
Phi Ok
(gr/tn)
0.00 10290 0.2342
0.02 9819 0.2454
0.04 9819 0.2454
0.06 9818 0.2454
0.08 9769 0.2463
0.10 9752 0.2466
0.12 9655 0.2480
0.14 9580 0.2489
0.16 9084 0.2542
0.18 8552 0.2594
0.20 7520 0.2687
0.22 6518 0.2777
0.24 5007 0.2917
0.26 3908 0.3034
0.28 2826 0.3160
0.30 1916 0.3283
0.32 1177 0.3396
0.34 630 0.3465
0.36 26 0.3621
0.0000
0.0500
0.1000
0.1500
0.2000
0.2500
0.3000
0.3500
0.4000
0
2000
4000
6000
8000
10000
12000
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40
Ley
Phi
(gr/ton)
Toneladas
(Kton)
CutOff Grade
Curva T - G
Tonnes (Ktons) Phi Ok (gr/tn)
19. 19
6. ESTIMACION DE LEYES POR METODO KRIGING ORDINARIO
Observamos la gráfica Swath Plot Oeste – Este.
La ley promedio alcanza su mayor valor a 570 m dirección este aproximadamente
0.0000
0.0500
0.1000
0.1500
0.2000
0.2500
0.3000
0.3500
0
20
40
60
80
100
120
0 200 400 600 800 1000 1200
Ley
(gr/ton)
toneladas
(Kton)
Dirección Este-Oeste
Swath Plot
Tonnes ( Ktons) Phi Ok (gr/tn)
20. 20
6. ESTIMACION DE LEYES POR METODO KRIGING ORDINARIO
Observamos la gráfica Swath Plot Sur – Norte.
La ley promedio disminuye en dirección norte
0.00000
0.05000
0.10000
0.15000
0.20000
0.25000
0.30000
0
20
40
60
80
100
120
1200 1400 1600 1800 2000 2200 2400
Ley
(gr/ton)
Toneladas
(Kton)
Dirección Sur-Norte
Swath Plot
Tonnes (Ktons) Phi Ok (gr/tn)
21. 7. VALIDACION DE MODELAMIENTO
21
Para validar el modelo obtenido por el método kriging estimaremos por otras técnicas como son NN, ID simple, ID cuadrática, ID cúbica.
Para ello utilizaremos el software Datamine Studio RM.
Importamos los puntos correspondientes a la data procesada Ploteo V. Regionalizada Phi Elevation 684 +-2 m.
22. 7. VALIDACION DE MODELAMIENTO
22
Estimación de leyes por el método Vecino más Cercano (NN)
23. 7. VALIDACION DE MODELAMIENTO
23
Estimación de leyes por el método Distancia Inversa Simple (ID)
24. 7. VALIDACION DE MODELAMIENTO
24
Estimación de leyes por el método Distancia Inversa Cuadratica (ID2)
25. 7. VALIDACION DE MODELAMIENTO
25
Estimación de leyes por el método Distancia Inversa Cubica (ID3)
26. 7. VALIDACION DE MODELAMIENTO
26
Validación visual por el método:
Kriging Ordinario Vecino mas cercano Distancia Inversa Simple
Distancia Inversa Cuadrática Distancia Inversa Cubica
27. 7. VALIDACION DE MODELAMIENTO
27
Reporte de validación
261 206
481 415
1015
1940
933
1422
2191
540
0 50 114
571
1564
2531
2180
1649
1151
26
0
500
1000
1500
2000
2500
3000
<0.00 ,
0.08>
[0.04 ,
0.08>
[0.08 ,
0.12>
[0.12 ,
0.16>
[0.16 ,
0.20>
[0.20 ,
0.24>
[0.24 ,
0.28>
[0.28 ,
0.32>
[0.32 ,
0.36>
[0.36 ,
0.40>
Cantidad
de
Muestras
Rangos de Leyes
Phi NN vs Phi Ok
Phi NN Phi Ok
PHI NN PHI OK
MEDIA 0.250059 0.245397
VARIANZA 0.008051 0.003373
MINIMO 0.00149 0.053897
MAXIMO 0.39052 0.363278
Q1 0.1984 0.20121
MEDIANA 0.2627 0.24075
Q3 0.3298 0.2886
37. 8. RECOMENDACIONES
37
Para finalizar este trabajo se enumeran las principales limitaciones de los métodos asistidos por
computadoras y los errores más frecuentes que se cometen.
1. El principal problema muchas veces es no chequear los resultados y aceptar tácitamente
las soluciones brindados por la computadora. Es muy fácil y rápido crear un modelo computarizado pero es
necesario que este responda al modelo geológico del yacimiento y que respete los datos originales.
2. Muchas veces no es fácil combinar en un mismo modelo de recurso zonas con distinto grado de
conocimiento geológico
3. Empleo de bloques muy pequeños para la densidad de datos disponible y que falsean la variabilidad
real de la ley en el yacimiento.
4. Demasiado suavisamiento de los datos producto al empleo de vecindades de búsqueda inapropiadas
5. Modelos de bloques de recursos construidos sin la participación del geólogo del proyecto que es quien
conoce realmente los datos y comprende la geología del yacimiento
6. Datos insuficientes o inapropiados para modelar la naturaleza de la mineralización y su continuidad
espacial. Lo que impide la obtención de variogramas confiables.
7. Insuficiente control geológico en la estimación
8. Incorrecta modelación del variograma.