Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
un Depsito Minero.
por
2015
Una cita:
Los mtodos llamados de simulacin muy utilizados, en particular, en el dominio de las ciencias
econmicas consisten en construir un modelo matemtico de un fenmeno natural. Estas
simulaciones permitirn de controlar el valor de las ideas tericas que han servido de base para la
construccin del modelo porque se puede examinar en qu medida las propiedades deducidas del
estudio matemtico del modelo imitan, o simulan, las propiedades del fenmeno real. Inversamente,
las simulaciones pueden conducir al descubrimiento de nuevas leyes acerca del fenmeno real, la
experimentacin es infinitamente ms fcil de realizar sobre un modelo puramente matemtico. Sera
interesante para el geoestadstico saber construir modelos numricos de yacimientos mineros, es decir,
ser capaz de alinear series de cifras, las cuales presentan las mismas caractersticas que las que se
piensa atribuir a la sucesin en el espacio de las leyes de un yacimiento real.
Otra cita:
1
LA SIMULACION DE LEYES EN UN DEPOSITO MINERO.
I. Introduccin.
2
Figura 1: Dos simulaciones condicionales en el espacio de una dimensin. La simulacin coincide con
la realidad donde sta es conocida, es decir en los puntos x1, x2, ..., xN. La realidad est constituida
por las leyes z(x1), z(x2), ... , z(xN) en los puntos condicionantes. Simulacin y realidad tienen las
mismas estadsticas (histograma, media y varianza) y el mismo variograma.
Existe toda una matemtica que permite obtener realizaciones condicionales de una
funcin aleatoria, con las condiciones mencionadas, tal como veremos ms adelante.
El ejemplo siguiente (M. Alfaro, 1979) muestra bien la diferencia entre estimacin y
simulacin condicional y ha sido reproducido en varias publicaciones acerca de la
simulacin condicional (ver C. Lantujoul 2001, J. P. Chils y P. Delfiner, 2000):
Estimacin versus simulacin: Sobre una lnea L se conoce la profundidad z(x) del
mar cada 10 m. Nos proponemos resolver el problema siguiente: si se conoce la
profundidad del mar cada 100 m (ver figura 2), Cul es la longitud de un cable
submarino que debe reposar sobre el fondo del mar?
3
Si se observa la figura, se ve bien que el krigeado (u otro estimador) subestima la
longitud del cable y que la simulacin condicional responde bien a nuestro problema.
Figura 2: Clculo de la longitud de un cable submarino el cual debe reposar en el fondo del mar. Con
el krigeado quedamos cortos de cable (a) datos iniciales, (b) krigeado, (c) perfil verdadero, (d) perfil
simulado. Corresponde a la instalacin de un cable submarino en el sur de Espaa.
4
Realidad Longitud real Simulacin Longitud
acumulada zs(x) simulada
acumulada
1er dato 146 146
143 10.4 130 18.9
142 20.5 125 30.1
148 32.1 111 47.2
134 50.4 114 57.7
141 62.6 123 71.1
127 79.8 109 88.3
132 91.0 109 98.3
111 114.2 108 108-4
94 133.9 102 120.0
2 dato 86 146.8 86 138.9
104 167.3 83 149.4
121 187.1 96 165.8
136 205.1 108 181.4
140 215.9 121 197.7
156 234.7 135 215.0
168 250.3 149 232.2
167 260.4 170 255.4
171 271.2 164 267.1
185 288.3 167 277.5
3er dato 194 301.8 194 306.3
Se tiene entonces:
Este ejemplo nos muestra que la simulacin condicional no debe ser utilizada para
estimar la variable regionalizada. En efecto, por ejemplo, en el punto x0 de la figura
2, es mejor estimar la profundidad del mar por el krigeado que por la simulacin.
5
Los dos ejemplos presentados se refieren a leyes de mineral pero se puede simular otro
tipo de variables (potencia mineralizada, porosidad de la roca, densidad de la roca.,
etc...).
Figura 3: Simulacin condicional en un banco de una mina de cobre a cielo abierto. Se observa que la
simulacin respeta el histograma (las zonas de baja ley son ms que las zonas de alta ley) y reproduce
las anisotropas (por intermedio del variograma). Se observa tambin la presencia de un efecto de
pepita que el krigeado no puede reflejar. La simulacin puede ser conocida en cualquier punto del
depsito, en este caso, en una malla de 2 metros x 2 metros.
6
Figura 4: Simulacin condicional de la potencia mineralizada en un manto correspondiente a una
mina de fosfatos. Se observa el alisamiento producido por el krigeado.
El objetivo de construir 100 simulaciones del manto (potencia y ley) fue para estudiar
la variabilidad de los ndices econmicos del proyecto, los cuales dependen, de manera
importante del tonelaje y de la ley. Sin las simulaciones se tendra un solo valor para la
potencia y para la ley... Con las 100 simulaciones se tienen 100 realizaciones de
valores presentes netos los cuales permiten caracterizar, probabilsticamente los ndices
econmicos del proyecto minero.
7
Figura 5: Simulacin condicional de las leyes de fosfato P2O5.
8
Figura 6: Simulacin no condicional de la luna. La lnea horizontal en el grfico de la derecha
representa la varianza de la realizacin. Se observa que las fluctuaciones de los variogramas de las
diferentes realizaciones son enormes.
Figura 7: Simulacin condicional de la luna. Las fluctuaciones de los variogramas de las realizaciones
son ms moderadas.
9
Figura 8: Realizacin no condicional de un conjunto aleatorio obtenido al aplicar un valor de corte
a una realizacin de una funcin aleatoria.
10
Figura 9: Simulacin del modelo gaussiano cortado. A la izquierda la realizacin gaussiana reducida
(colores claros indican valores altos, oscuros, valores bajos), a la derecha el conjunto aleatorio
resultante con 4 unidades, definidas por los intervalos.
Brecha C5 C1 estril
11
Figura 10: Simulacin condicional de la geologa en un banco de un depsito de cobre. Existen 4
facies: Brecha, C5 , C1 y estril.
12
Las plurigaussianas.
Sean dos funciones aleatorias independientes Y1(x, y) e Y2(x, y) las cuales son
gaussianas reducidas y toman sus valores (Y1 , Y2) en el plano, el cual ha sido
particionado en zonas D1, D2, D3, ... , las cuales se pintan con ciertos colores:
Figura 11: Particin del espacio . El punto (Y1 , Y2) cae en la zona verde.
Como estas funciones aleatorias estn indexadas con las coordenadas (x, y), a cada
punto (x, y) se le asocia el color del punto (Y1 , Y2).
La figura siguiente muestra un ejemplo. En la parte superior (en verde) aparecen las
gaussianas reducidas Y1(x, y) e Y2(x, y) (los colores claros indican valores altos, los
oscuros, valores bajos). El variograma de Y1(x, y) corresponde al modelo gaussiano
istropo, mientras que el variograma de Y2(x, y) corresponde a un modelo esfrico
istropo. Ms abajo se tienen varias simulaciones correspondientes a diferentes
particiones (o banderas) del espacio.
13
Figura 12: Simulaciones no condicionales del modelo plurigaussiano.
14
La figura siguiente muestra una simulacin condicional de leyes de cobre en un banco
de la mina Los Bronces. La limitacin de esta simulacin es que el modelo geolgico
no ha sido simulado, se asume determinstico:
Figura 14: Simulacin condicional en un banco de una mina de cobre. A la derecha, el modelo
geolgico, el cual no ha sido simulado. Cada dominio geolgico tiene un variograma diferente.
Conviene simular los dominios geolgicos?
15
II. Objetivos de realizar una simulacin condicional.
16
Estudiar la dilucin y la selectividad de un modelo de bloques. Elegir un
tamao de bloque adecuado (ver la figura 16).
Figura 16: Dos alternativas para explotar una zona. Qu es mejor, desde el punto de vista de las
leyes de mineral? bancos simples con cuatro cargadoras o bancos dobles con dos palas. El modelo
krigeado y su re-bloqueo no sirven para resolver este problema.
Calcular la variabilidad del tonelaje de mineral (y de la ley media) sobre una ley
de corte. Si se utiliza el krigeado, se obtienen sesgos.
17
Contribuir al estudio de la categorizacin de los recursos mineros. Dar un
sentido ms preciso, respecto de la variabilidad de las leyes, a las zonas
medidas, indicadas e inferidas. Mencionemos en este sentido que no existe
consenso en la industria minera acerca de la categorizacin de los recursos:
Todos los criterios existentes tienen alg grado de arbitrariedad (una aplicacin
de las simulaciones condicionales a la clasificacin de las reservas puede verse
en el Anexo 2).
Figura 17: Modelo de bloques de 20x20x15 m3 en una mina de xidos de cobre explotada a cielo
abierto (El Tesoro). Se producen aproximadamente 2 bloques por da. Los 102 bloques (51 das
de produccin) fueron evaluados por el mtodo del krigeado.
18
Figura 18: Ley diaria CuT (proveniente del modelo de bloques de la figura 17). La curva en azul
no sirve para predecir las fluctuaciones de leyes a la entrada de la planta. Los peaks de leyes son
importantes en la planta de tratamiento.
19
Figura 19: Simulacin condicional y krigeado. El krigeado establece que en la parte norte las
impurezas tienen leyes inferiores a 0.8% de alcalinos. La simulacin nos indica que podran existir
problemas, los cuales hay que tener presente en la planificacin.
Ejemplo 2: En algunas minas de cobre, la ley de arsnico es una variable muy errtica
en su variacin espacial, no muy bien reconocida, lo cual implica que las estimaciones
de leyes suavizan la realidad. La figura 20 muestra un banco en la mina Los Bronces,
donde existen dos alternativas de explotacin: 1 frente (situacin actual) y 2 frentes:
20
Figura 20a: Dos alternativas de explotacin de un banco. Con un frente y con dos frentes.
Figura 20b: Krigeado As y Simulacin Condicional en un banco de Mina Los Bronces. Se observa el
alisamiento que produce el krigeado: casi no hay zonas rojas sobre 200ppm (en este tipo de problemas
el krigeado no se puede usar).
21
Para ver si la explotacin con dos frentes disminuye las fluctuaciones de las leyes de
arsnico a la entrada de la planta, se construy una simulacin condicional. La figura
21 muestra las leyes de arsnico diarias para las dos alternativas, se ha graficado
adems la ley crtica de 130 pp m de arsnico:
La conclusin es que con 2 frentes se mejoran las fluctuaciones pero igual resulta
inaceptable, luego hay que poner un sistema de mezcla a la entrada de la planta de
tratamiento.
22
Figura 22: Un perfil vertical en mina subterrnea El Soldado. Leyes de cobre. Se observan cambios
abruptos de leyes. En la zona vertical derecha no hay informacin.
Figura 23: Krigeado de la zona anterior. En verde sectores en los cuales la ley estimada es mayor que
la ley de corte. Existe un halo mineralizado?
23
La nica forma de saber si existe un halo mineralizado es comparar la estimacin del
krigeado con la realidad de este perfil. Como no se conoca esta realidad se decidi
construir una simulacin condicional la cual sera la referencia o la realidad.
La figura 24 muestra la simulacin condicional de la zona:
Figura 24: Simulacin condicional del perfil (en una malla de 1m x 1m). En verde zonas con ley
superior a la ley de corte.
La simulacin condicional llevada a bloques aparece en la figura 25, la cual hay que
comparar con la figura 23:
24
Figura 25: Bloques simulados. Existen algoritmos que permiten simular directamente los bloques, sin
pasar por la simulacin de puntos.
Se observa que el krigeado produce un halo de mineral (en otros trminos las leyes se
desparramaron) en la zona vertical derecha, zona en la cual las leyes se
extrapolaron, y que este mtodo de estimacin funciona bien en las otras zonas donde
las leyes se interpolaron.
25
Como conclusin resulta que es peligroso extrapolar (extrapolar es como conducir un
vehculo hacia adelante basndose exclusivamente en los espejos retrovisores). La
zona de extrapolacin debera ser categorizada como inferida. Por consiguiente, no
se puede planificar con leyes inferidas.
Figura 28: Simulacin condicional del contacto mineral estril. Se produce una dilucin en la
parte inferior del bloque.
26
Ejemplo 5: Simulacin Condicional en un nivel de la mina El Teniente. Se
construyeron 100 realizaciones en un nivel, con el propsito de estudiar la variabilidad
de leyes. En la Figura 29 se tiene una de las realizaciones. Se observa la gran
variabilidad de las leyes, tipo spotty:
27
El mtodo a) es demasiado laborioso y presenta problemas de convergencia. El
mtodo d) presenta problemas de reproduccin del variograma (por ejemplo, no
reproduce bien el modelo esfrico).
Las demostraciones de los diferentes resultados se pueden ver en Ch. Lantujoul, 2001
y J. P. Chils y P. Delfiner, 2000.
(1) Yi f (kb ) wi k
k
(esta suma puede ser simple, doble o triple; b es el paso de la malla). Es fcil de ver
que para cada funcin f se tiene un variograma diferente.
En la figura 30 se tiene una grilla muy densa con valores normales con media 0 y
varianza 1 (llamada tambin normal reducida). A cada punto de la grilla se le asocia
la suma ponderada siguiente, la cual se realiza sobre todos los puntos que caen dentro
de la elipse E:
( xi , y j )E
W ( xi , y j )
Z ( x, y )
n
Siendo n el nmero de puntos que caen dentro de la elipse E. Es fcil probar que
Z(x, y) tambin sigue una ley normal reducida.
28
Figura 30: Simulacin por medias mviles en el espacio de 2 dimensiones. Hay que imaginar como
funciona el mtodo en el espacio de 3 dimensiones.
Se puede demostrar, sin dificultad que obtiene en este caso el variograma esfrico, con
alcance a.
29
Figura 31: El elipsoide proporciona una realizacin anistropa.
Si se desea simular en 2-D un variograma esfrico, hay que tomar un plano particular
de la simulacin precedente.
Figura 32: Monedas aleatorias. A la izquierda contribucin con 4 crculos, a la derecha, contribucin
con 600 crculos.
30
El mtodo de las lneas rotantes.
k
1
Y ( x)
k
Y (x e )
i 1
i i
En que ( x ei ) es el producto escalar entre el vector x (de componentes x1, x2, x3)
y el vector unitario ei :
Para tener una buena convergencia, es necesario utilizar por lo menos unas 50 rectas
aleatorias en 2 D y unas 120 rectas aleatorias en 3 D. Tambin se pueden utilizar
rectas uniformemente distribuidas en 2D o 3D. La situacin es ligeramente ms
complicada en 3D (ver C. Lantejoul, 2001).
Se puede demostrar que para simular mediante lneas rotantes el variograma esfrico
hay que utilizar en las rectas la funcin f(x) (aplicada a la ecuacin 1) siguiente:
x si x (-b, b)
f ( x)
0 si x (-b, b)
31
Para simular el variograma exponencial, hay que utilizar en las rectas la funcin f(x)
siguiente:
(1 ax)e ax si x 0
f ( x)
0 si x 0
Falta por analizar cmo se obtiene que el valor simulado en un punto xi coincida con
el dato localizado en este punto (x1, x2, . . . , xN).
Z1 ( x ) Z k 1 ( x ) Z S ( x) Z k 2 ( x)
En que:
zk1(x) es el krigeado en el punto x, utilizando los datos disponibles en los puntos x1,
x2, . . . , xN . Sin embargo, para garantizar la reproduccin del variograma, la
interpolacin debe corresponder al krigeado simple (no al krigeado ordinario).
zs(x) es la simulacin no condicional (resultado del mtodo de medias mviles o de las
bandas rotantes)
zk2(x) es el krigeado en el punto x , utilizado los valores simulados zs(x) en los
puntos x1, x2, . . . , xN
Como el krigeado es un interpolador exacto (figura 34):
32
Figura 34: El krigeado es un interpolador exacto (pasa por los datos).
Entonces la simulacin condicional coincide con los datos en los puntos x1, x2, . . . , xN
Las figuras siguientes resumen las etapas para obtener una simulacin que hace
honor a los datos:
33
Figura 37: Simulacin no condicional, la cual se muestrea en los mismos puntos donde se conocen los
datos.
Figura 38: Se krigea la simulacin no condicional y se hace la diferencia entre esta simulacin y el
krigeado. Observar que esta diferencia es nula en las coordenadas de los datos.
Figura 39: Al krigeado de los datos se le suma la diferencia anterior. Esta es la simulacin final.
34
El objetivo de la anamorfosis gaussiana es la reproduccin del histograma
experimental de los datos.
Figura 40: Anamorfosis gaussiana. En rojo, ley normal reducida, en azul, histograma acumulado
experimental. La anamorfosis gaussiana presenta problemas importantes en las colas de la
distribucin.
35
condicin de reconocimiento homogneo no se cumple, es necesario desagrupar
previamente los datos (ver figura 41).
Figura 41: Agrupacin de datos en zonas de alta ley en el Salar de Atacama la variable regionalizada
es la ley de litio. Las caractersticas estadsticas (media, varianza, histograma) estn sesgadas porque
las zonas de mayor ley tienen mayor reconocimiento (est sesgado el variograma?).
Existen, principalmente, dos mtodos para desagrupar los datos: mtodo de los
polgonos y mtodo de las celdas, los cuales se pueden revisar en el Anexo 1.
36
V. Referencias.
37
G. Matheron 2006: La Teora de las Variables Regionalizadas y sus Aplicaciones.
ENSMP Pars (traduccin al espaol por Marco Alfaro).
G. Matheron, 2008: La Teora de las Variables Regionalizadas y su Estimacin.
ENSM Pars (traduccin al espaol por Marco Alfaro)
Anexo 1
Figura A-1: Agrupacin de datos en zonas de alta ley en una mina de yodo. Vista de las
muestras en una planta.
38
Esta situacin puede producir sesgos en el clculo de variogramas, de
histogramas, de leyes medias y de varianzas, sobre todo en el caso en que la
agrupacin de datos se produce en zonas de alta ley.
Figura A-2: Mtodo de desagrupacin por polgonos aplicado a leyes de litio en el Salar de
Atacama. A cada dato se le asocia un peso igual a su rea de influencia. En 3D hay que
utilizar volmenes.
39
b) Mtodo de las celdas, el cual consiste en ignorar datos en zonas sobre-
muestreadas. Se definen celdas de tamao a . En la figura, hay que
retener una muestra por celda, la cual se sortea al azar dentro de cada
celda:
Figura A-3: Mtodo de las celdas. Se considera un valor por celda, el cual es sorteado al azar
en cada celda entre las k muestras interiores (las celdas vacas no se consideran). x0 es
el origen (variable) del conjunto de celdas.
Una variante de este mtodo consiste en calcular, para cada celda, el promedio
de datos interiores. Sin embargo, esta alternativa produce un cierto
40
suavisamiento de las leyes retenidas (en aquellas celdas que tienen ms de un
dato).
Figura A-4: Determinacin del tamao ptimo de celda. Para obtener un buen grfico, es
necesario cambiar al azar el origen x0 de la figura A-3.
41
Figura A-5: Estimacin de un cuadrado.
m = 1.57
Consideramos que este valor es muy alto. Como la media aritmtica atribuye un
peso igual a 1 / N (en que N es el nmero de datos) a cada dato, las 4
muestras altas tienen un peso de 4 / 7 , es decir un 57%, cuando slo
representan algo ms de un 25% del rea.
42
mP = 1.36
Apliquemos ahora el mtodo de las celdas, con una celda de tamao 50mx50m.
Se obtienen 4 celdas y se pueden tener 4 casos segn sea el valor sorteado en la
celda superior izquierda:
Figura A-7: Desagrupacin por el mtodo de las celdas. Ninguno de los valores obtenidos es
convincente.
m = 1.25
43
El mtodo correcto que habra que utilizar para desagrupar debera ser el
krigeado, sin embargo, debido a la agrupacin de datos, el variograma no es
muy confiable.
Anexo 2
44
El criterio de categorizacin se asocia a dos perodos de produccin:
trimestral y anual, con los criterios siguientes:
Figura A2-2: Prototipos para las producciones trimestrales y anuales (medidas en metros)
45
La Figura A2-3 muestra una simulacin condicional en un banco de la mina
(observar que se rot la mina):
Figura A2-3: Una simulacin condicinal en el banco de cota 190 de la mina Chapada.
n
1 2
e
m
zi m
i 1
46
La Figura A2-4 muestra los resultados de la categorizacin. Se ha includo
adems la categorizacin anterior (basada en la varianza del error de los
bloques) para comparar:
47
Si se usa un plan minero, estamos mezclando recursos con
reservas.
48