Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ESTIMACIN DE RECURSOS EN UN
YACIMIENTO DE FIERRO
MIEMBROS DE LA COMISIN:
SANTIAGO DE CHILE
ABRIL 2012
Agradecimientos:
A mis tos y primos, por proveerme aun otro hogar ms y tomarme como
uno ms de ellos. Al resto de mi familia y en especial a mis abuelos y mis
hermanos por el cario y apoyo.
A mis amigos, por los buenos recuerdos y los mejores aos de mi vida. En
especial a Camilo, Cristbal, Edgardo, Matas, Jos Manuel, Pablo e Ignacio.
Al profesor Xavier Emery, no solo por guiarme en este trabajo, sino que por
jugado y dedicado a su trabajo, al departamento, a los alumnos y a la
investigacin. Ojal hubiesen ms como l.
ii
RESUMEN EJECUTIVO
El presente trabajo trata de la estimacin geoestadstica de recursos de un
yacimiento de fierro que ha sido explorado mediante sondajes de diamantina. Las
muestras disponibles contienen informacin sobre: coordenada espacial, ley de
fierro total, ley de slice, razn de recuperacin o magnetismo y densidad de roca
(que en verdad est calculada a partir de la ley de fierro, no medida). Una
particularidad que presenta la base de datos es el sub-muestreo del magnetismo,
del cual se encuentra informacin solo en 17 de los 70 sondajes, o en 1219 de las
8373 muestras, para ser ms preciso.
iii
ABSTRACT
The present work deals with the geostatistical resources estimation of an iron ore
deposit that has been recognised by exploration drill holes. The available drill hole
samples contain information on the spatial coordinates, total iron grade, silica grade,
iron recovery ratio and rock density (which is actually calculated from the total iron
grade). A particularity of the data base is the under-sampling of the iron recovery
ratio, the information of which is available for only 17 out of 70 drill holes. In terms of
data, 8373 samples contain information on total iron grade, whereas only 1219
samples contain information on the recovery ratio.
In resource estimation, one adds rock and metal tonnages, not grades. Nonetheless,
grades are what are usually estimated, as it is simpler to do so. However, multiplying
the estimates thereafter to obtain the tonnage and metal quantity introduces bias.
This specific study deals with that bias by estimating the resources through two
separate approaches: The classic grade approach, and a more unconventional, direct
estimation of iron, silica and magnetic iron contents (content being defined as
grade*density).
A comparison of the two approaches shows differences of about 55 million tons in the
estimated ore tonnage and of over 4% in the estimated mean iron grade. These
differences may be explained because the first approach estimates non-additive
variables (grades and iron recovery ratio), while the second approach estimates
additive variables (iron and silica contents) and is theoretically more reliable. Such an
explanation is supported by a validation of the results through the split-sample (jack-
knife) technique, which indicates a better accuracy of the second approach.
The recommendation for the resource estimation of iron ore deposits is therefore to
avoid working with non-additive variables such as the grades, and to directly work
with the metal contents, for which the summation over the various blocks of the
deposit makes sense. It is hoped that, in the future, more attention will be given to the
measurement of the rock density, which is crucial for better assessing the tonnages
and contents.
iv
Tabla de contenido
1. Introduccin .................................................................................................................................................................. 1
1.1 Objetivos....................................................................................................................................................................... 2
1.2 Alcances ........................................................................................................................................................................ 2
2. Metodologa ................................................................................................................................................................... 3
2.1 Kriging ........................................................................................................................................................................... 3
2.1.1 Variogramas: Continuidad Espacial ...................................................................................................... 4
2.1.2 vecindad de kriging........................................................................................................................................ 6
2.2 Co-Kriging .................................................................................................................................................................... 7
2.3 Co-kriging con Medias Linealmente Ligadas ............................................................................................. 8
2.4 Procedimiento .........................................................................................................................................................10
3. Anlisis exploratorio de Datos...........................................................................................................................11
3.1 Dependencias entre las variables ..................................................................................................................17
4. Variografa....................................................................................................................................................................26
4.1 Modelamiento ..........................................................................................................................................................30
5. Validacin con Jack-Knife .....................................................................................................................................37
5.2 Anlisis ........................................................................................................................................................................50
6. Estimacin ....................................................................................................................................................................51
7. Reporte de Recursos ...............................................................................................................................................55
7.1 Categorizacin de Recursos...................................................................................................................................59
8. Conclusiones y Recomendaciones ...................................................................................................................62
9. Bibliografa...................................................................................................................................................................64
10. Anexos .......................................................................................................................................................................65
v
1. INTRODUCCIN
Para realizar todo el anlisis se trabajar con una base de 8513 datos obtenida a partir
de una campaa de exploracin de 70 sondajes de diamantina. Esta base de datos se
encuentra caracterizada por los siguientes ndices:
Las cuatro variables con las cuales se trabajar durante el estudio son las siguientes:
Con el fin de estimar estas variables en todo el espacio requerido, se har uso de la
tcnica conocida como co-kriging, extensin al contexto multivariable del kriging, el
cual estima el valor de una variable regionalizada en sitios donde no hay informacin
sobre esta variable a partir de los datos ya existentes y la continuidad espacial que
existe entre ellos.
1
1.1 OBJETIVOS
Como objetivo principal, se desea estimar de forma ptima e insesgada los recursos de
un yacimiento de fierro, con el fin de entregar finalmente un reporte de recursos
confiable para los inversionistas y planificadores.
1.2 ALCANCES
En el caso especfico del fierro, las relaciones entre variables (en particular la relacin
del resto de las variables con la ley de fierro) son sumamente importantes. Al no ser
consideradas, se podra estar incurriendo en un error adicional, el cual podra
eventualmente tener repercusiones econmicas que usualmente no se cuantifican.
2
2. METODOLOGA
2.1 KRIGING
3
2.1.1 VARIOGRAMAS: CONTINUIDAD ESPACIAL
= { + }
= { + , + }
P() = ( ) ( !)
1 2
2 ()
4
Lamentablemente, el variograma experimental no es lo suficientemente completo
como modelo pues no cumple ciertas condiciones matemticas (adems de que est
calculado solo para algunos valores de h). Para completarlo se le ajusta un
variograma modelado, el cual se construye como una combinacin lineal de modelos
bsicos denominados estructuras anidadas.
5
Existen ms estructuras que se pueden utilizar, pero las dos mencionadas
anteriormente son de las ms comunes. Combinaciones lineales de estos modelos
generan las denominadas estructuras anidadas, que en teora representan de buena
manera el comportamiento variogrfico y que adems cumplen con las condiciones
para utilizarse en interpolacin espacial.
Dado que la cantidad de datos que se tiene puede ser muy alta, utilizar todos los datos
existentes para estimar cada punto puede resultar excesivamente costoso y lento. Es
por esto que se define una vecindad mvil (pues cambia con cada sitio a estimar) que
incluye una cantidad de datos reducida, ya que los datos ms lejanos aportan menos a
la calidad de estimacin. Esta vecindad tiene a menudo forma elipsoidal, permitiendo
tomar en cuenta una anisotropa espacial. Para mejorar la calidad de estimacin, se
suele dividir este elipsoide en sectores angulares, usualmente en octantes.
6
2.2 CO-KRIGING
%=&
()) ()+ . 1) ()&
'
(++ . / 01+ 3 = 0(+& 3
(+)
. . & 2 .
es el vector de trminos aditivos del estimador.
Cij es la matriz de covarianza entre los datos en el sitio i y los datos en el sitio j.
Ci0 es la matriz de covarianza entre los datos en el sitio i y las variables a
estimar en el sitio x0.
i son las matrices de ponderadores de co kriging a determinar.
M es una matriz de multiplicadores de Lagrange.
I denota a la identidad.
0 denota a la matriz nula.
7
2.3 CO-KRIGING CON MEDIAS LINEALMENTE LIGADAS
4 = 5 + 6 7 , 4 ; = {? @ + 1, , ?}
Donde los mi son las medias de las variables y los ij y los i son ponderadores
determinados a priori a travs del estudio exploratorio. Por ejemplo, en este caso, se
ha determinado que la densidad de las muestras ha sido calculada a partir de la ley de
fierro como:
T
:Matriz de K (PK) cuyo trmino genrico es iP+K , j
R = S V Matriz aumentada, con I de tamao (p-k)x(p-k).
8
En el caso del fierro, las relaciones entre variables son bastante comunes. Por ejemplo,
la densidad de la roca depende fuertemente de la ley de fierro al ser este un elemento
ms pesado y de mayor abundancia en la corteza. Por esta razn, puede resultar
conveniente estimar variables aditivas (la ley de por si no es aditiva; la ley de un
bloque no es la suma de las leyes en los puntos que este incluye). As, se definen las
siguientes variables, importantes para el caso en estudio:
9
2.4 PROCEDIMIENTO
Eleccin de variables. Se seguirn los tres pasos siguientes para cada uno de los
tres sets de variables que se han escogido:
o Ley de fierro, ley de slice, densidad, magnetismo.
o Contenido de fierro, contenido de slice, magnetismo.
o Contenido de fierro, contenido de slice, contenido de fierro magntico.
Anlisis exploratorio de datos
o Eliminacin de datos aberrantes y desagrupamiento.
o Eleccin de zona de inters.
o Planteamiento de relaciones entre las medias de las variables.
Anlisis variogrfico
o Confeccin de variogramas directos y cruzados.
o Eleccin de vecindad de co-kriging.
Estimacin
o Ejecucin del co-kriging.
o Clculo de varianza y co-varianza del error de estimacin.
Comparacin entre los tres sets de variables/Validaciones cruzadas.
Reporte final de recursos
Conclusiones y discusiones
Como prembulo, se espera que el ltimo set de variables sea el que genere una mejor
estimacin, ya que estima directamente el contenido de fierro magntico.
10
3. ANLISIS EXPLORATORIO DE DATOS
Como se puede apreciar, existe un sub muestreo del magnetismo. Es decir, esta base
de datos es heterotpica. Este sub muestreo podra deberse a un alto costo asociado
a pruebas de laboratorio utilizadas para medir la razn de fierro magntico en
sectores en que se han encontrado bajas leyes de fierro.
Cabe destacar adems que no hay datos atpicos ni aberrantes; los rangos de leyes
para fierro y slice concuerdan. Existe un solo dato que se elimin, pues, como se ve
ms adelante, la densidad est calculada a partir de la ley de fierro y el dato que se
elimina no cumple esta condicin.
11
ILUSTRACIN 4: MAPEO DE SONDAJES SEGN LEY DE FIERRO TOTAL. PLANO VERTICAL - ESTE
ILUSTRACIN 5: MAPEO DE SONDAJES SEGN LEY DE FIERRO MAGNTICO. PLANO VERTICAL - ESTE
12
ILUSTRACIN 6: MAPEO DE SONDAJES SEGN LEY DE FIERRO TOTAL. PLANO VERTICAL - NORTE
13
ILUSTRACIN 8: MAPEO DE SONDAJES SEGN LEY DE FIERRO TOTAL. VISTA EN PLANTA
14
ILUSTRACIN 10: HISTOGRAMA DE LEYES DE FIERRO
15
ILUSTRACIN 13: HISTOGRAMA DE MAGNETISMO
16
ILUSTRACIN 16: HISTOGRAMA DE CONTENIDO DE SLICE
La ltima parte del estudio exploratorio consiste en determinar (para cada uno de los
tres casos) cules son las variables dependientes de las restantes, que seran
independientes. Luego el objetivo es encontrar la relacin entre las medias de estas
variables para completar el sistema de kriging. Para esto se cuenta con una
herramienta de la estadstica bi - variable, el scatter plot o nube de dispersin.
17
ILUSTRACIN 17: SCATTER PLOT, DENSIDAD V/S LEY DE FIERRO
18
ILUSTRACIN 20: SCATTER PLOT, CONTENIDO DE FIERRO MAGNTICO V/S CONT. DE FIERRO TOTAL
ILUSTRACIN 22: SCATTER PLOT, CONTENIDO DE SLICE V/S CONTENIDO DE FIERRO TOTAL
19
ILUSTRACIN 23: SCATTER PLOT, MAGNETISMO V/S LEY DE SLICE
20
Existen varias conclusiones interesantes que se desprenden del anlisis mediante
nubes de dispersin o scatter plots y de sus respectivas regresiones lineales. Lo
primero que se puede concluir es que la variable magnetismo o razn de magnetismo
es linealmente independiente del resto, ya que no se correlaciona de manera lineal
con ninguna de las otras variables. Lo segundo a notar es que la densidad est
calculada a partir de la ley de fierro; de ah la recta perfecta que se genera en el scatter
plot entre estas dos variables.
Continuando, se nota una fuerte correlacin negativa entre fierro y slice, tanto en sus
formas de ley pura como de contenido (multiplicando por densidad). Esto es bastante
intuitivo; a mayor contenido de fierro en una unidad de roca, menor contenido de
slice o ganga en la misma. Finalmente, es importante hacer notar que el contenido de
fierro magntico est fuertemente ligado al contenido de fierro total.
Usando la siguiente notacin (en color las variables dependientes de las variables en
negro):
CASO 1
o 1: Ley de fierro
o 2: Magnetismo
o 3: Ley de slice
o 4: Densidad
CASO 2
o 1: Contenido de fierro
o 2: Magnetismo
o 3: Contenido de slice
CASO 3
o 1: Contenido de fierro
o 2: Contenido de slice
o 3: Contenido de fierro magntico
21
CASO 1: LEYES DE FIERRO Y SLICE, MAGNETISMO
Para estimar correctamente los coeficientes que unen las leyes medias de fierro y de
slice correctamente se utilizar el scatter plot obtenido anteriormente y adems este
mismo con los ejes invertidos:
En cambio, el scatter plot original arrojaba que: JCK c= = 0.7858 JCK RC + 53.712
Por lo tanto, si se construye el scatter plot de una nueva variable que sera igual al
lado izquierdo de la igualdad anterior contra, por ejemplo, la ley de fierro, la forma de
la nube debiese ser muy cercana a horizontal si es que el parmetro es el correcto.
En ese caso, el valor en torno al cual la nube es horizontal es el trmino constante .
Un buen punto de partida para el ajuste de la pendiente sera el valor obtenido
mediante el otro mtodo.
22
Siguiendo la metodologa anteriormente descrita se ajusta a un valor de -0.7864,
La relacin entre ley de fierro y densidad es fcil de notar, ya que el scatter plot es una
recta perfecta. La densidad de la roca est calculada a partir de la ley de fierro como:
m = 0.7864 0 ; 5 = 53.732
23
CASO 2: CONTENIDOS DE FIERRO Y SLICE, MAGNETISMO
m = 0.431 0 ; 5 = 145.95
24
CASO 3: CONTENIDOS DE FIERRO, SLICE Y FIERRO MAGNTICO
W DX RC] = 7 W DX RCn + 5
Este alto valor se debe al muestreo preferencial con respecto al magnetismo (los
valores ms bajos se ven sub representados por temas de poco inters econmico de
muestrearlos). Con toda esta informacin, se construyen la matriz y el vector :
m=S V ; 5=S V
0.431 145.95
0.973 0
25
4. VARIOGRAFA
Una vez conducido el estudio exploratorio de datos y establecidas las relaciones entre
las medias de las variables, se puede entrar a analizar la continuidad espacial de las
variables a travs de variogramas, con el fin de construir un modelo lineal de
corregionalizacin que ser input para el co kriging.
Omni-Horizontal Vertical
Tolerancia azimut 90 10
Ancho de banda (m) 25
Tolerancia dip 22.5 10
Altura de banda (m) 30 25
Numero de pasos 13 13
Tamao del paso (m) 18 18
Tolerancia paso (m) 9 9
TABLA 4: PARMETROS DE CLCULO, VARIOGRAMA EXPERIMENTAL
Cabe destacar que estos parmetros se utilizaron en los tres casos, ya que la diferencia
entre estos es que algunas variables van multiplicadas por la densidad. Como la
densidad es una variable calculada a partir de la ley de fierro, la continuidad espacial
no se debiese ver muy afectada.
26
CASO 1: LEYES DE FIERRO Y SLICE, MAGNETISMO
27
CASO 2: CONTENIDOS DE FIERRO Y SLICE, MAGNETISMO
28
CASO 3: CONTENIDOS DE FIERRO, SLICE Y FIERRO MAGNTICO
29
4.1 MODELAMIENTO
Bajo este ltimo principio, el variograma modelado se debiese ver como sigue:
u
s =t v = W [ + + Ww [w
u uu
Donde:
30
CASO 1: LEYES DE FIERRO Y SLICE, MAGNETISMO
ESF3 170 120
ESF4 170
TABLA 5: ALCANCES VARIOGRAMA, CASO 1
PEPA Fe Si Mag
Fe 55.9632 -53.2933 0.1769
Si -53.2933 51.5195 -0.1272
Mag 0.1769 -0.1272 0.0028
ESF1 Fe Si Mag
Fe 2.2054 -3.6694 0.023
Si -3.6694 6.1336 -0.0302
Mag 0.023 -0.0302 0.0026
ESF2 Fe Si Mag
Fe 95.9799 -71.9464 0.1198
Si -71.9464 53.931 -0.0898
Mag 0.1198 -0.0898 0.0002
ESF3 Fe Si Mag
Fe 162.1978 -130.3633 0.4595
Si -130.3633 117.1947 -0.3355
Mag 0.4595 -0.3355 0.0026
ESF4 Fe Si Mag
Fe 70.8226 -57.3793 0.0081
Si -57.3793 46.585 -0.0081
Mag 0.0081 -0.0081 0.0022
TABLA 6: MESETAS VARIOGRAMA, CASO 1
31
ILUSTRACIN 47: VARIOGRAMA MODELADO ILUSTRACIN 48: VARIOGRAMA MODELADO
DIRECTO, LEY DE FIERRO CRUZADO, FIERRO - SLICE
32
CASO 2: CONTENIDOS DE FIERRO Y SLICE, MAGNETISMO
ESF3 170 220
ESF4 170
TABLA 7: ALCANCES VARIOGRAMA, CASO 2
33
ILUSTRACIN 53: VARIOGRAMA MODELADO ILUSTRACIN 54: VARIOGRAMA MODELADO
DIRECTO, LEY DE FIERRO CRUZADO, FIERRO - SLICE
34
CASO 3: CONTENIDOS DE FIERRO, SLICE Y FIERRO MAGNTICO
ESF3 170 240
ESF4 170
TABLA 9: ALCANCES VARIOGRAMA, CASO 3
35
ILUSTRACIN 59: VARIOGRAMA MODELADO ILUSTRACIN 60: VARIOGRAMA MODELADO
DIRECTO, CONTENIDO DE FIERRO CRUZADO, FIERRO - SLICE
36
5. VALIDACIN CON JACK-KNIFE
Esta tcnica de validacin comprende dos pasos. Primero, se deben separar los datos
en dos grandes partes de una manera equitativa (cantidad de muestras e informacin
similares). Luego, se utilizan los datos de una mitad para estimar las variables en los
sitios (coordenadas) de la otra mitad mediante co-kriging y vice-versa.
Si bien es tpico utilizar validaciones cruzadas (en las cuales solo se esconde un dato
en vez de la mitad de los datos y luego se reposiciona el dato escondido), el jack-knife
es una tcnica ms potente cuando arroja resultados coherentes pues quiere decir que
la estimacin sigue siendo robusta aun cuando se sustrae una cantidad importante de
la informacin original.
Para enfatizar la importancia de estimar variables aditivas, en los primeros dos casos
se calcula el contenido de fierro magntico (y total en el caso 1) a posteriori
multiplicando las variables estimadas y se compara con el contenido de fierro
magntico (o total) real. Se construyen los mismos grficos mencionados
anteriormente. La idea es mostrar que se pierde precisin en la estimacin al estimar
variables no aditivas (ley, magnetismo) comparado con variables aditivas (contenido).
37
La particin de los datos en dos no es hecha al azar, si no que con el fin de que ambas
partes queden con la misma informacin sobre magnetismo, ya que es la variable de la
cual se tiene menos informacin. Si se estimara una mitad de los datos con la otra
mitad, y resultase que la mitad que se usa como dato no contiene informacin sobre
magnetismo, la validacin por jack-knife no tendra ningn sentido.
Es por esto que la base de datos se separa en dos segn los sondajes que tienen o no
informacin con magnetismo. As cada set de datos creado tendr 9 sondajes que
contienen informacin sobre la variable magnetismo y 26 sondajes que no la
contienen. As, se presenta la siguiente grfica en planta que ilustra la separacin de la
base de datos en dos:
118000
117800
117600
117400
117200
117000
116800
116600
116400
48200 48400 48600 48800 49000 49200 49400 49600
Lo que se muestra en los grficos que siguen son la validacin de los datos en rojo
estimados con los datos en azul.
38
CASO 1: LEYES DE FIERRO Y SLICE, MAGNETISMO
50
Ley Fe real
40
30
20
10
0
-10 0 10 20 30 40 50 60 70 80
-10
Ley Fe estimada
y = 0.5739x + 13.269
200.00
R = 0.7705
Contenido de FeT real
150.00
100.00
50.00
0.00
0.00 50.00 100.00 150.00 200.00 250.00 300.00 350.00
Contenido de FeT estimado
ILUSTRACIN 67: SCATTER PLOT ESTIMADOS VS. DATOS, CONTENIDO FIERRO, CASO 1
39
Histograma error estandarizado Ley Fe, caso 1
1000
900
800
700
Frecuencia
600
500
400
300
200
100
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
Clase
600
500
400
300
200
100
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
Clases
40
Magnetismo, real vs. estimado, caso 1
1.2
y = 0.832x + 0.1524
R = 0.486
1
Magnetismo real
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2
Magnetismo estimado
140.00
120.00
100.00
80.00
60.00
40.00
20.00
0.00
0.00 50.00 100.00 150.00 200.00 250.00 300.00 350.00
Contenido FeM estimado
ILUSTRACIN 71: SCATTER PLOT ESTIMADOS VS. DATOS, CONTENIDO FIERRO MAGNETICO, CASO 1
41
Histograma error estandarizado magnetismo, caso 1
400
350
300
250
Frecuencia
200
150
100
50
0
-5 -2.5
2.5 -1 -0.5 0 0.5 1 2.5 5
Clase
2000
Frecuencia
1500
1000
500
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
Clases
42
CASO 2: CONTENIDOS DE FIERRO Y SLICE, MAGNETISMO
250
Contenido FeT real
200
150
100
50
0
-50 0 50 100 150 200 250 300 350
-50
Contenido FeT estimado
1000
800
Frecuencia
600
400
200
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
Clase
43
Magnetismo, real vs. estimado, caso 2
1.2
y = 0.8391x + 0.1452
1 R = 0.484
Magnetismo real
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2
Magnetismo estimado
250.000
200.000
150.000
100.000
50.000
0.000
-50.000 0.000 50.000 100.000 150.000 200.000 250.000 300.000 350.000
Contenido FeM estimado
ILUSTRACIN 77: SCATTER PLOT ESTIMADOS VS. DATOS, CONTENIDO FIERRO MAGNETICO, CASO 2
44
Histograma error estandarizado Magnetismo, caso 2
400
350
300
250
Frecuencia
200
150
100
50
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
Clase
350
300
250
Frecuencia
200
150
100
50
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
clases
45
CASO 3: CONTENIDOS DE FIERRO, SLICE Y FIERRO MAGNTICO
300
250
200
Contenido FeT real
150
100
50 y = 1.008x - 0.9274
R = 0.7872
0
-50 0 50 100 150 200 250 300 350
-50
Contenido FeT estimado
ILUSTRACIN 80: SCATTER PLOT ESTIMADOS VS. DATOS, FIERRO TOTAL, CASO 3
300
250
Contenido FeT real
200
y = 0.7488x + 31.464
150 R = 0.1099
100
50
0
0 50 100 150 200 250 300 350
Contenido FeT estimado
ILUSTRACIN 81: SCATTER PLOT ESTIMADOS VS. DATOS, FIERRO TOTAL, CASO 3 CON CKO
46
Histograma error estandarizado Contenido FeT, caso 3
3000
2500
2000
Frecuencia
1500
1000
500
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
Clase
2000
1500
Frecuencia
1000
500
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
clases
47
Contenido FeM real vs estimado, caso 3
350
y = 0.9308x + 12.531
300 R = 0.6679
250
Contenido FeM real
200
150
100
50
0
-50 0 50 100 150 200 250 300 350
Contenido FeM estimado
ILUSTRACIN 84: SCATTER PLOT ESTIMADOS VS. DATOS, FIERRO MAGNETICO, CASO 3
300
250
Contenido FeM real
200
50
0
0 50 100 150 200 250 300 350
Contenido FeM estimado
ILUSTRACIN 85: SCATTER PLOT ESTIMADOS VS. DATOS, FIERRO MAGNETICO, CASO 3 CON CKO
48
Histograma error estandarizado, contenido FeM, caso 3
300
250
200
Frecuencia
150
100
50
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
Clase
350
300
250
Frecuencia
200
150
100
50
0
-5 -2.5 -1 -0.5 0 0.5 1 2.5 5
clases
ILUSTRACIN 87: HISTOGRAMA ERROR ESTANDARIZADO, FIERRO MAGNETICO, CASO 3 CON CKO
49
5.2 ANLISIS
Datos robustos
caso 1 caso 2 caso 3 caso 3 KO
Ley Fe 98.35% N/A N/A N/A
Magnetismo 95.55% 95.80% N/A N/A
Contenido FeT 86.91% 98.38% 97.90% 82.03%
Contenido FeM 82.74% 85.41% 96.06% 84.05%
Pendiente de la recta
caso 1 caso 2 caso 3 caso 3 KO
Ley Fe 0.995 N/A N/A N/A
Magnetismo 0.832 0.839 N/A N/A
Contenido FeT 0.574 1.001 1.008 0.749
contenido FeM 0.497 0.906 0.931 0.769
Intercepto de la recta
caso 1 caso 2 caso 3 caso 3 KO
Ley Fe 0.006 N/A N/A N/A
Magnetismo 0.152 0.145 N/A N/A
Contenido FeT 13.269 -0.473 0.927 31.464
contenido FeM 26.449 17.411 12.531 32.935
Coeficiente de correlacin del ajuste
caso 1 caso 2 caso 3 caso 3 KO
Ley Fe 0.775 N/A N/A N/A
Magnetismo 0.486 0.484 N/A N/A
Contenido FeT 0.771 0.788 0.787 0.101
Contenido FeM 0.651 0.663 0.668 0.347
TABLA 11: CUADRO RESUMEN, VALIDACION POR JACK-KNIFE
50
6. ESTIMACIN
Primero, se buscan los datos ms cercanos que contengan fierro y/o slice y despus
se busca la misma cantidad de datos, pero se les exige que contengan magnetismo (o
fierro magntico) dentro de su informacin. Esto con el fin de asegurar que exista
informacin sobre todas las variables, disminuyendo as el error de estimacin.
Adems, como los datos estn tan dispersos, la vecindad escogida debe tener radios
bastante amplios con el fin de encontrar una cantidad de datos adecuada. Por ltimo,
se decide dividir la vecindad en ocho sectores angulares iguales (octantes).
Cabe destacar adems que la grilla de bloques sobre la cual se estiman las variables
fue elegida tal que contuviera los datos de magnetismo, ya que los datos que no
quedan incluidos no aportan de manera considerable a la estimacin. A continuacin,
entonces, se presentan las caractersticas fundamentales de la vecindad de co-kriging
as como de la grilla.
X Y Z
VECINDAD
Radio 550 550 450
ngulo 0 0 0
Datos por octante 4
GRILLA
Inicio 48478 116559 1000
Numero de bloques 56 79 75
Tamao 15 15 10
TABLA 12: VECINDAD Y GRILLA UTILIZADAS PARA EL CO-KRIGING
51
ILUSTRACIN 88: MAPAS DE CONTENIDO DE FIERRO MAGNTICO CALCULADO, CASO 1
52
ILUSTRACIN 91: MAPAS DE VARIANZA DE ESTIMACIN DE FIERRO, CASO 1
53
CASO 1 Fe Si Mag
Media 26.06 33.28 0.872
Minimo 1.26 9.61 0.254
Maximo 58.44 59.78 1.050
Desviacion Estandar 6.42 5.08 0.052
Varianza 41.23 25.85 0.003
Coef. De variacion 0.246 0.153 0.059
54
7. REPORTE DE RECURSOS
El reporte de recursos se expresa grficamente con lo que se conoce como una curva
tonelaje ley. Estas curvas se construyen definiendo un set de leyes de corte, sobre las
cuales el recurso es considerado como tal y bajo las cuales es considerado como
estril. Para cada ley de corte, entonces, existe un cierto tonelaje que supera esa ley y
que es considerado como recurso. Ese tonelaje adems posee contenidos medios
(masa de finos dividido por masa total) de la o las especies de inters.
Para calcular los recursos en los casos donde se trabaja con contenido de fierro, se
deduce la ley de fierro a partir del contenido estimado ya que la densidad est
calculada a partir de la ley. Por lo tanto, se resuelve una simple ecuacin cuadrtica
que arroja la ley de fierro. Con la ley se calcula la densidad, y con la densidad se
calcula el tonelaje total de roca por bloque.
55
Ley corte Tonelaje Finos Finos Ley media Ley media
(%FeT) (MTon) (MTon FeT) (MTon FeM) (%FeT) (%FeM)
0 2291.80 606.44 532.77 26.46 23.25
5 2291.64 606.43 532.76 26.46 23.25
10 2281.34 605.55 532.04 26.54 23.32
15 2212.26 596.44 524.53 26.96 23.71
20 1932.79 546.24 482.21 28.26 24.95
25 1342.07 412.21 366.88 30.71 27.34
30 655.41 223.67 201.53 34.13 30.75
35 207.85 79.62 72.70 38.31 34.98
40 45.15 19.41 18.00 42.99 39.86
TABLA 14: TONELAJE, FINOS Y LEY MEDIA SOBRE CIERTAS LEYES DE CORTE, CASO 1
50.00
2000.00
40.00
1500.00
30.00
1000.00
20.00
Tonelaje
500.00 FeT media 10.00
FeM media
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50
Ley de corte (%)
56
Ley corte Tonelaje Finos Finos Ley media Ley media
(%FeT) (MTon) (MTon FeT) (MTon FeM) (%FeT) (%FeM)
0 2312.92 668.82 588.01 28.92 25.42
5 2312.76 668.81 587.99 28.92 25.42
10 2302.46 668.24 587.53 29.02 25.52
15 2233.38 662.04 582.43 29.64 26.08
20 1953.91 628.24 554.11 32.15 28.36
25 1408.94 527.53 468.07 37.44 33.22
30 792.66 345.84 310.65 43.63 39.11
35 301.57 152.17 138.22 50.46 45.83
40 66.27 41.71 38.51 62.94 58.10
TABLA 15: TONELAJE, FINOS Y LEY MEDIA SOBRE CIERTAS LEYES DE CORTE, CASO 2
60.00
Tonelaje (MTon)//Ley media (%)
2000
50.00
1500
40.00
30.00
1000
Tonelaje 20.00
500
Ley media (%FeT) 10.00
Ley media (%FeM)
0 0.00
0 5 10 15 20 25 30 35 40 45
Ley de corte (%)
57
Ley corte Tonelaje Finos Finos Ley media Ley media
(%FeT) (MTon) (MTon FeT) (MTon FeM) (%FeT) (%FeM)
0 2341.23 726.6 709.82 31.03 30.32
5 2341.07 726.58 709.73 31.04 30.32
10 2330.77 725.85 708.44 31.14 30.40
15 2261.69 719.37 700.88 31.81 30.99
20 1982.22 683.19 664.39 34.47 33.52
25 1476.33 567.61 550.82 38.45 37.31
30 884.77 379.95 367.75 42.94 41.56
35 385.61 193.82 186.87 50.11 48.21
40 101.34 61.14 58.37 60.33 57.60
TABLA 16: TONELAJE, FINOS Y LEY MEDIA SOBRE CIERTAS LEYES DE CORTE, CASO 3
60.00
Tonelaje (MTon)//Ley media (%)
2000
50.00
1500
40.00
30.00
1000
20.00
Tonelaje
500
Ley media (%FeT)
10.00
Ley media (%FeM)
0 0.00
0 5 10 15 20 25 30 35 40 45
Ley de corte (%)
58
7.1 CATEGORIZACIN DE RECURSOS
Con el fin de darle sentido a la frase confiabilidad del modelo, los recursos estimados
se categorizan segn el grado de confianza con el cual fueron estimados. Primero
corresponde definir las tres categoras de recursos utilizadas de manera ms
frecuente:
Recurso medido: Porcin del recurso mineral para el cual tonelaje, densidades, leyes,
caractersticas geolgicas, geo-metalrgicas, y geotcnicas han sido estimadas y
caracterizadas con un significativo nivel de confianza. Estas estimaciones y
caracterizaciones estn basadas en reconocimientos detallados, confiables, y verificables
y en anlisis y pruebas representativas ubicadas de acuerdo a una malla de informacin
tal que la continuidad de leyes y de caractersticas geolgico-metalrgicas permite su
validacin.
Recurso indicado: Porcin del recurso mineral para el cual tonelaje, densidades, leyes,
caractersticas geolgicas, geo-metalrgicas, y geotcnicas han sido estimadas y
caracterizadas con un razonable nivel de confianza. Estas caracterizaciones y
estimaciones estn basadas en reconocimientos, muestreos, y anlisis realizados en
lugares representativos de la mineralizacin origen de esos recursos. Estos lugares
generan una malla de informacin tal que la continuidad y caracterizacin geolgica as
como el contenido de metal puede ser estimado con un aceptable grado de confiabilidad.
Recurso inferido: Porcin del recurso mineral para el cual las estimaciones de tonelaje y
ley estn afectas en exactitud y precisin debido a muestreos fragmentarios, limitados, y
a percepciones asumidas sobre su continuidad geolgica, y a extrapolaciones de carcter
ms bien subjetivo sobre la naturaleza de los controles de la mineralizacin.
Este grado de confianza mencionado, en el caso del kriging y sus variantes, se mide a
travs de la varianza del error de estimacin y es por esto que para darle objetividad a
la categorizacin de recursos se usa el criterio conocido como varianza de corte.
Lo que se hace es calcular una varianza bajo la cual el bloque se considere como
recurso medido y otra varianza sobre la cual el bloque se considere como recurso
inferido. Entre medio quedan los recursos indicados. Para hacer estos dos clculos, se
utiliza el software kt3d de GSLib, el cual efecta el kriging de un bloque que se
encuentra en el centro de cuatro sondajes ficticios equidistantes de bloque a una
distancia determinada por el usuario, como se muestra en el esquema:
59
ILUSTRACIN 97: ESQUEMATIZACIN DE ESTIMACIN E VARIANZA DE CORTE
Los datos utilizados en este kriging tienen un valor de 0, por lo que la estimacin va a
arrojar un valor estimado de 0 de la variable, con una varianza de error que se tomar
como varianza de corte. Este proceso se repite dos veces: Primero se determina la
varianza de corte medido indicado y luego, con los sondajes a una mayor distancia
del bloque, la varianza de corte indicado inferido.
Lamentablemente esto funciona para una variable a la vez. En el caso 3 de este estudio
no hay problema pues se puede categorizar el contenido de fierro magntico como
una sola variable. Sin embargo, en el caso 1 y 2 no se puede calcular una varianza de
contenido de FeM a posteriori. Lo que se har ser categorizar tanto para fierro como
para magnetismo en esos casos y resolver darle la peor categora al bloque (por
ejemplo, si es indicado para fierro y medido para magnetismo, para contenido de
fierro magntico se considerar como recurso indicado).
Calculadas las varianzas de corte en los tres casos, se construye la siguiente tabla, la
cual desglosa la composicin del yacimiento estudiado en recursos medidos, indicados
e inferidos de contenido de fierro magntico para cada caso:
60
ILUSTRACIN 98: RECURSOS ESTIMADOS, SEGN CATEGORA. CASO 1
61
8. CONCLUSIONES Y RECOMENDACIONES
El caso 3 arroja una ley de fierro magntico muy cercana a la de fierro total,
sugiriendo que la gran mayora del fierro presente es recuperable. Sin
embargo, esto puede estar sujeto al clculo del coeficiente que relaciona las
medias de fierro total y magntico. De hecho, si se calcula la razn de
magnetismo a posteriori en el caso 3, se ve que flucta cerca del coeficiente
calculado (0.97). Ver anexos para mapas.
Debido a la baja cantidad de datos existente con respecto al tamao del espacio
muestral, se debi escoger una vecindad de kriging muy grande y adems
efectuar dos bsquedas de datos para encontrar informacin suficiente para
efectuar una buena estimacin. Esto result en tiempos de clculo ms altos,
pero es una consecuencia de la cantidad de informacin inicial disponible.
62
Restricciones como las que se imponen en este caso de estudio ayudan a
respetar a posteriori las relaciones de orden que existen a priori en las
variables, como por ejemplo que el fierro total sea mayor al fierro magntico.
Esto puede ser til en otros casos de estudio, como es el conocido caso cobre
total cobre soluble.
Por supuesto, el co-kriging y todas sus variantes tienen limitantes bien conocidas en el
campo de estimacin de recursos, siendo la ms importante el efecto de
suavizamiento (sobre estimacin de leyes bajas y sub estimacin de leyes altas)
que se produce por construccin ya que cada estimacin es una suma ponderada de
los datos conocidos. Es por esto que se hacen las siguientes recomendaciones:
63
9. BIBLIOGRAFA
64
10. ANEXOS
65
ILUSTRACIN 104: HISTOGRAMA DE LEYES ESTIMADAS DE FIERRO, CASO 1
66
ILUSTRACIN 107: MAPAS DE LEY DE FIERRO ESTIMADA, CASO 1
67
ILUSTRACIN 110: MAPAS DE LEY DE SILICE ESTIMADA, CASO 1
68