Clasificacin de Recursos/Reservas con geometra

integrada y medidas de variabilidad de grado

local.
ABSTRACTO

La categorizacin de recursos minerales y las reservas de mineral como medidas, indicadas, inferidas, y probadas o
probables respectivamente, es un requisito tanto para informes pblicos como tambin para las evaluaciones internas
de la compaa en la extraccin de los bienes. Desde la compresin de los recursos minerales hasta la estimacin de las
reservas de mineral, la incertidumbre geolgica tiene un gran impacto en la clasificacin de Recursos/ reserva.

La Clasificacin de Recursos/ Reserva se basa tradicionalmente en criterios geomtricos, como por el nmero de
muestras o agujeros de perforacin dentro de un volumen alrededor de los bloques de depsito que estn siendo
clasificados, o alternativamente, alguna forma de varianza estimada derivada geoestadsticamente.

Estos criterios son relativamente fcil de entender e implementar. Sin embargo, no tienen en cuenta la variabilidad local
de las calificaciones dentro de un depsito. Lo que lleva a la tergiversacin de la confianza de las calificaciones estimadas
dentro de los volmenes dados.

Este artculo propone un enfoque basado en un marco de simulacin estocstica para cuantificar la incertidumbre
geolgica y el riesgo en 5 pasos:

1) Generacin de realizaciones adecuadas del depsito a la escala de soporte de bloques apropiada.

2) Derivacin de funciones de distribucin acumulativa condicional (Conditional Cumulative Distibution) (ccdf) del
grado de bloque o atributo seleccionado.
3) Utilizacin del coeficiente de variacin condicional (CCV) del grado ccdf dentro de un bloque como la medida de
incertidumbre para la clasificacin de recursos de cada bloque en el modelo de yacimiento.
4) La clasificacin de los Recursos/Reservas.
5) Evaluacin y Produccin de los perfiles de riesgo para estimaciones/ apreciaciones/ clculos.

Este enfoque integra tanto las consideraciones tradicionalmente usadas, en el sentido de las ubicaciones de datos y la
variabilidad in situ de grados.

Las aplicaciones en un depsito de diamante aluvial, en una veta de oro epitermal y un depsito de cobre prfido
muestran que existen agrupaciones naturales del CCV de bloques mineros que permiten la categorizacin racional de
recursos o reservas. El enfoque propuesto no solo es transparente, tambin proporciona un informe tcnicamente
defendible de la clasificacin de recursos/reservas en un contexto geoestadstico y puede apoyar una mejor decisin de
inversin.

INTRODUCCIN

La clasificacin de los recursos minerales como medida, indicado e inferido y las reservas de mineral como prueba o
probable se requiere para la divulgacin pblica como se detalla en varios cdigos como JORC, CIM, PERC, or SAMREC.

La categorizacin de los recursos y las reservas contribuyen de manera importante a la evaluacin de la extraccin de
bienes de una empresa y sus curvas de tonelaje. Es ampliamente aceptado que la incertidumbre geolgica y el riesgo
tienen un gran impacto sobre la clasificacin de los recursos y reservas, desde la comprensin de los recursos minerales
y los programas de exploracin hasta la reserva mineral.
 Confiabilidad (que sea exacta), confianza (que sea verdadera), transparencia y que la capacidad de defensa tcnica
de clasificacin sea crtica.

Teniendo en cuenta el valor de las compaas mineras, los beneficios para los accionistas, informar a las instituciones
financieras y atraer a la comunidad inversora a la toma de decisiones del orden de miles de millones de dlares, existe
una necesidad genuina de comprender y cuantificar la incertidumbre geolgica y el riesgo que apuntala recursos /
reservas.

Los enfoques de vanguardia que cuantifican la incertidumbre y el riesgo geolgico pueden ser utilizados para
estandarizar la clasificacin de recursos / reservas, para respaldar una mejor toma de decisiones de inversin, habilitar
informes burstiles tcnicamente defendibles y cumplir con los cdigos de la industria y proporcionar mayor seguridad a
los inversores y proteger al pblico.

Tradicionalmente, la clasificacin de recursos se ha basado en consideraciones geomtricas y una clasificacin de bloque

por bloque utilizando criterios vinculados al nmero de muestras con un volumen o densidades de perforacin, o
alternativamente, una varianza de estimacin derivada geoestadsticamente. Estos criterios son relativamente simples
de implementar, adems de ser fcilmente comprensibles y transparentes. Sin embargo, tienen un principal
inconveniente ya que no tienen en cuenta la variabilidad local de las notas dentro de un depsito, lo que conduce a una
tergiversacin de la confianza de las calificaciones estimadas dentro de los volmenes dados y de la clasificacin de
recursos / reservas resultante.

Los esfuerzos anteriores para mejorar las tcnicas de clasificacin se centraron en el desarrollo y uso de versiones
alternativas de varianzas de estimacin de grados (kriging), donde los patrones de clasificacin se basan en el tamao de
la cuadrcula de muestreo (por ejemplo, Saburin, 1983; Froideveau, Roscoe y Valiant, 1986; David , 1988, David y
Dagbert, 1977, Arik, 2002 y otros).

Como tambin se seal anteriormente, estas formulaciones pueden dar cuenta de posibles aumentos en la precisin a
medida que disminuye el tamao de la cuadrcula de muestreo. Sin embargo, no incorporan la incertidumbre
introducida por la variabilidad local en los datos reales presentada de forma elocuente por Ravenscroft (1992). La Figura
1 ilustra este punto, que muestra dos configuraciones idnticas de un bloque y cuatro agujeros de perforacin, A la
derecha, el grado del material muestreado es muy variable, mientras que en el bloque izquierdo, los grados son mucho
menos variables.

Si esta fuera la misma zona con el mismo variograma, las varianzas de estimacin seran las mismas, proporcionando as
un nivel falso de evaluacin de incertidumbre y clasificacin de los bloques.

Las varianzas de estimacin no abordan adecuadamente la cuestin de la precisin de las estimaciones de recursos
globales y ms an para los recursos globales por encima de un lmite (David, 1988), como sera el caso si se utilizara
cualquier otra medida geomtrica. Se han sugerido enfoques basados en la simulacin dados los problemas discutidos
anteriormente (Audet y Ross, 2007; Wawruch y Betzhold, 2005; Dohm, 2005; Duggan y Dimitrakopoulos, 2005; Murphy
et al, 2004) y necesitan mayor consideracin.

Las deficiencias de la clasificacin de reservas/ recursos convencional, se pueden explorar en un ejemplo de una mina de
oro.

Las reservas clasificadas como Medidas, Indicadas e Inferidas se basan principalmente en el nmero de muestras
dentro de una distancia desde un bloque que se estima geoestadsticamente y en la consideracin de la continuidad del
grado espacial dentro de las vetas de oro identificadas.

La Figura 2 muestra parte de una veta donde los bloques se han clasificado para reservar categoras de acuerdo con el
enfoque establecido de la mina.
Aunque este enfoque es razonable, relativamente simple, transparente y conforme con regulaciones y tcnicamente
defendible, el enfoque tradicional muestra deficiencias cuando la clasificacin se compara con las probabilidades de que
los bloques sean mineral (ver Figura 2).

Las partes grandes de la veta que estn clasificadas como indicadas tienen ms de 80% y 90% de probabilidades de ser
mineral. Por lo tanto, parece inconsistente no informarlos como Medidos.

De manera similar, los bloques que se han clasificado como desechos tienen, de hecho, ms del 50% de probabilidad de
ser mineral.

Aunque el anlisis anterior est restringido a aspectos limitados (por ejemplo, segn el JORC, tambin se debe estimar
con precisin el grado), ilustra cmo los criterios de clasificacin convencionales no incluyen medidas directas de
incertidumbre geolgica (grado) aparte de las relacionadas con el configuracin espacial de los agujeros de perforacin.
Como resultado, los enfoques convencionales pueden llevar a una clasificacin diferente de los recursos minerales en
comparacin con el uso de clasificaciones que integran la variabilidad espacial real in situ del yacimiento.

En las siguientes secciones, las tcnicas de simulacin estocstica proporcionan informacin crtica para la clasificacin
de recursos / reservas que complementa las estimaciones de recursos, con la comprensin de la naturaleza multifactica
del proceso de clasificacin y el papel de la persona competente.

Las tcnicas modelan la incertidumbre en los grados estimados de los modelos de yacimientos y conducen a una
evaluacin de la incertidumbre geolgica como una funcin de la variabilidad in situ y la densidad de perforacin.

Adems, el marco de simulacin permite la integracin de alternativas geolgicas simuladas con grados simulados y
posibles errores en los datos de ensayo, ubicaciones de orificios de perforacin, etc.

La siguiente seccin comienza discutiendo brevemente los lmites de los enfoques de clasificacin tradicionales.
Posteriormente, se describe una metodologa alternativa, basada en distribuciones condicionales simuladas de bloque,
grados de apoyo y medidas de su incertidumbre para un modelo de yacimiento. Las medidas de incertidumbre se
detallan a continuacin utilizando un ejemplo de un depsito de diamantes aluviales. La clasificacin de recursos /
reservas en el mismo yacimiento, una veta de oro epitermal y un depsito de prfido de cobre aclaran los aspectos y las
caractersticas relacionadas del enfoque. Comentarios y conclusiones a continuacin.
RECURSO / RESERVA CLASIFICACIN Y MEDIDAS DE INCERTIDUMBRE LOCAL

La simulacin condicional permite una metodologa de clasificacin de recurso / reserva que considera simultneamente
la densidad de datos y la continuidad del yacimiento, as como la variabilidad in situ. En esta seccin, se describen los
aspectos clave de la metodologa, incluidas las medidas apropiadas de incertidumbre que se utilizarn para la
clasificacin de recursos / reservas. La metodologa se ilustra utilizando un depsito con diamantes en el sudoeste de
frica.

CLASIFICACIN DE LA METODOLOGA

Una metodologa de clasificacin de recursos se describe en la Figura 3 y consta de 5 pasos:

1) Generacin de realizaciones adecuadas del depsito a la escala de soporte de bloques apropiada.

2) Derivacin de funciones de distribucin acumulativa condicional (Conditional Cumulative Distibution) (ccdf) del
grado de bloque o atributo seleccionado.
3) Utilizacin del coeficiente de variacin condicional (CCV) del grado ccdf dentro de un bloque como la medida de
incertidumbre para la clasificacin de recursos de cada bloque en el modelo de yacimiento.
4) La clasificacin de los Recursos/Reservas.
5) Evaluacin y Produccin de los perfiles de riesgo para estimaciones/ apreciaciones/ clculos.

MEDIDAS DE INCERTIDUMBRE ESPACIAL LOCAL

Una parte clave de la metodologa de clasificacin es el uso de estadsticas de resumen y medidas de incertidumbre que
se derivan de la funcin de distribucin acumulativa condicional de la ley Z (u) de un bloque en la ubicacin u dentro del
depsito (Figura 4). Las medidas bsicas incluyen la varianza condicional, el coeficiente de variacin condicional, los
intervalos entre percentiles y el intervalo de probabilidad.

La varianza condicional (CV) mide la extensin del ccdf alrededor de su valor medio y est dada por:

Donde :

Zk k=1.K son valores umbral K discretizando el rango de variacin de los valores z.

k es la media de la clase zk-1, (zk-1, zk) que en el caso de un modelo de interpolacin lineal dentro de la clase
corresponde a zk = (zk-1 + zk)/2

es la aproximacin de suma discreta al valor esperado de la ccd.

El coeficiente de variacin condicional (CCV) corresponde a la desviacin estndar condicional dividida por la desviacin
estndar media o relativa. Expresa la variabilidad como un porcentaje de la media, y se calcula como:
El CCV discrimina mejor las zonas en trminos de densidad de muestra (o disponibilidad de informacin de
acondicionamiento). Una ventaja del CCV sobre el CV es que se expresa directamente como un porcentaje de la media y,
por lo tanto, filtra los efectos proporcionales. El rango entre cuartiles (IQR) se define como la diferencia entre los
cuartiles superior (q0.75) y inferior (q0.25) de la distribucin:

De manera similar, la generalizacin a cualquier intervalo entre percentiles (IPR), como un intervalo de confianza del
90%, se define como:

A diferencia del CV y el CCV, los DPI y sus variaciones no se ven afectados por la magnitud de las calificaciones en el ccdf
y, por lo tanto, no son sensibles a valores atpicos.

FIG 3 - Representacin diagramtica de una metodologa de clasificacin de recursos basada en simulacin.

FIG 4 - Una funcin de distribucin acumulativa condicional (ccdf)

mostrando estadsticas resumidas y medidas de incertidumbre para el
espesor de un bloque de 100 100 m2 en un depsito de diamantes. El ccdf
se genera al calcular las probabilidades asociadas para un determinado
bloquear desde mltiples realizaciones simuladas.
El IPR tambin se puede escalar por la media o la mediana del ccdf correspondiente. Las medidas relacionadas de
incertidumbre son la probabilidad de que un grado de bloque, Z (u) est por encima, por debajo o dentro de un intervalo
de probabilidad. La Figura 4 muestra estadsticas de resumen relacionadas y medidas de incertidumbre para el ccdf de
espesor de un bloque de 100 100 m2.

El ccdf en s proporciona el modelo de incertidumbre para el valor del atributo de espesor para un bloque determinado
en la ubicacin u dentro del depsito. Cada punto discreto en el ccdf corresponde a un valor simulado. El ccdf es un
histograma acumulativo de todos los valores simulados asignados a las realizaciones de simulacin del depsito. Una
funcin continua se interpola entre los puntos discretos para permitir la evaluacin de probabilidades para cualquier
valor de ccdf.

La Figura 5 muestra el CV, la media condicional, el CCV y el IQR para el mismo tamao de bloques de espesor sobre una
parte de un depsito de diamantes. Los valores se generan a partir de 50 realizaciones de simulacin y las ubicaciones
de los agujeros de perforacin se muestran en la figura mediante tringulos. El CV muestra una buena correlacin entre
regiones de muestreo denso y baja varianza condicional. Sin embargo, esto no es necesariamente cierto para reas de
alto espesor. La presencia de un efecto proporcional se ve claramente cuando se comparan los valores de CV y grosor de
bloque medio, lo que sugiere que el CV puede no ser una medida adecuada de la incertidumbre local.

De forma similar al CV, el IQR muestra una buena correlacin entre las regiones de muestreo denso y los valores ms
bajos de IQR, as como una mayor incertidumbre sobre los valores de espesor ms altos. En general, para distribuciones
altamente asimtricas, el IQR puede parecer ms atractivo que el CV ya que el IQR es una medida relativa que no usa la
media. Una desventaja importante del IQR es que ignora la distribucin interna de las densidades de probabilidad, lo
que lleva a una sobrerrepresentacin de la incertidumbre. El CCV discrimina mejor que el CV y el IQR en trminos de
densidad de muestra (informacin de acondicionamiento disponible) y, lo que es ms importante, no muestra un efecto
proporcional. Como resultado, es ms adecuado para la clasificacin de recursos.

MEDIDAS DE CLASIFICACIN DE RECURSOS / RESERVAS

Las medidas de incertidumbre en la seccin anterior se pueden usar para definir los criterios de clasificacin de recursos
/ reservas. Estos criterios requieren el uso de valores umbral (lmite), de forma similar a los esfuerzos anteriores, donde
los umbrales se aplicaron a las variaciones de estimacin (por ejemplo, revisin en Sinclair y Blackwell, 2000). Los valores
de umbral pueden reflejar la tolerancia de error que es aceptable localmente para las estimaciones de bloque as como
globalmente para la estimacin de recurso. La estimacin de bloque aqu corresponde al valor medio (o estimacin de
tipo e). Es posible categorizar recursos con precisin de bloques y usar modelos de recursos derivados de realizaciones
de simulacin mltiples para obtener la incertidumbre en recursos o recursos globales dentro de incrementos de
produccin de inters en cada categora.

Un primer intervalo de confianza basado en el CCV implica CCV de umbral fijo que se comparan con el CCV. Esto es
equivalente a comparar el intervalo de confianza sobre la media de la desviacin estndar frente a un intervalo de
confianza umbral definido como una proporcin de la media. La clasificacin CCV est dada por:
FIG. 5: Vista en planta de izquierda a derecha, la varianza condicional (CV); media condicional (CM); coeficiente de
variacin condicional (CCV); y rango entre cuartiles (IQR) para un espesor de bloque de 100 100 m2 en un depsito de
diamantes. Tenga en cuenta que la perforacin ms densa no garantiza menos incertidumbre.

Como ejemplo, considere una clasificacin CCV con un umbral CCV de 0.5. En este caso, todos los bloques para los
cuales el intervalo de confianza limitado por la desviacin estndar es superior al 50% del valor de la media se
clasificarn como inferidos. Los bloques restantes se clasifican como Indicados o Medidos. La seleccin de valores de
umbral se difiere hasta una seccin posterior.

Un segundo intervalo de confianza basado en una probabilidad del 90% (un rango percentil relativo o RPR) es un
intervalo de confianza sobre la media que se compara con un intervalo de confianza umbral definido como una
proporcin de esta media. La clasificacin de CCV se define en base a la desviacin estndar, aqu el intervalo de
confianza se define considerando la posicin relativa de la media al quinto y 95 (nonagsimo quinto? ) percentiles,
denominadas diferencias negativas y positivas. El intervalo de confianza simtrico utilizado en este criterio es:

dnde: w- y w + son ponderaciones para las diferencias relativas al percentil quinto y percentiles 95, respectivamente.
Los pesos facilitan intervalos de confianza asimtricos y se determinan en funcion de los intervalos de probabilidad:

Tenga en cuenta que establecer w- y w + en 0.5 corresponde a definir el intervalo de confianza como el promedio
entre las diferencias negativas y positivas. El criterio de clasificacin es:
CASOS DE ESTUDIO

Un simple ejemplo en un depsito de diamantes

Para un depsito de diamantes aluviales donde la importante clasificacin el parmetro es el grosor, la Figura 6 muestra
una vista en planta del recurso clasificacin como Indicada o Inferida usando tres clasificaciones criterios (CCV con un
umbral CV del 40%, RPR con Intervalo de confianza del 90% y una sola (por simplicidad) umbral de 40%, y CCV con un
umbral CV de 50 por centavo). La Tabla 1 detalla el recurso potencial clasificado en este depsito de diamantes y
estimaciones relacionadas con su incertidumbre. Usando la clasificacin CCV, tanto el volumen clasificado como Indicado
y la incertidumbre asociada, medida por las diferencias en los volmenes mximo y mnimo, aumentar con umbral, como
se esperaba. El aumento en el volumen es considerable mientras que el aumento de la incertidumbre en relacin con el
valor esperado es relativamente pequeo En trminos globales, la incertidumbre en el volumen clasificado como Indicado
es relativamente bajo. Los resultados indican que en En este estudio, el umbral del 40% puede considerarse conservador.
Para recursos inferidos, a medida que el umbral aumenta el volumen disminuye y aumenta la incertidumbre relativa
asociada. Los disminucin en los resultados de volumen de los bloques que se mueven a la indicacin categora. El
aumento de la incertidumbre se espera ya que refleja la mayor incertidumbre relacionada con valores umbral ms altos.
El RPR clasificacin en comparacin con el enfoque de clasificacin CCV, clasifica considerablemente menos bloques como
se indica en todos los umbrales y no representa una buena evaluacin de la variabilidad. Al igual que con la medida IQR
discutida anteriormente, la clasificacin RPR ignora la distribucin interna de las densidades de probabilidad y conduce a
la sobrerrepresentacin de riesgo. Por lo tanto, es muy conservador en clasificando bloques. Los resultados presentados
en la Tabla 1 muestran que el anlisis de incertidumbre sobre el recurso basado en tres diferentes valores umbral, puede
proporcionar una indicacin de qu umbral el valor podra ser ms apropiado para el depsito.

Comprensin el significado del valor umbral es fundamental para aplicar el criterios de clasificacin propuestos. Minera
y parmetros de procesamiento puede ser considerado adems de consideraciones externas que se pueden tener en
cuenta, relevantes para la economa del proyecto o nivel de aversin al riesgo de la empresa. Tenga en cuenta que el
anlisis aqu corresponde a la propagacin de la incertidumbre del bloque local al incertidumbre en el recurso global.
Criterios de seleccin del umbral los valores basados en las caractersticas del depsito se discuten a continuacin.

Seleccionar umbrales en una mina de oro

Se usa el ejemplo de una mina de oro a cielo abierto en Australia Occidental para explorar an ms la clasificacin basada
en CCV. Problemas abordados incluir la seleccin de valores umbral para la clasificacin de la reserva. El ejemplo est
compuesto por un conjunto de vetas de oro epitermales en un zona del depsito que debe clasificarse como medida,
Recursos indicados o inferidos. contra el CCV por 25 realizaciones de soporte de bloque del yacimiento. La figura muestra
un spread general y distintivamente creciente (riesgo) en tonelaje de mineral y grado promedio a medida que aumenta el
CCV, que es particularmente fuerte en los tonelajes de mineral. Esta tendencia tambin se ve en Tabla 2 que detalla CCV
y estadsticas de resumen para contenido de metal en la veta de oro. Las caractersticas de la extensin y la pendiente de
la las curvas en la Figura 7 y los valores informados en la Tabla 2 se pueden usar para gua de seleccin de umbrales para
la clasificacin. Por ejemplo, La Figura 7 sugiere que hay poco riesgo de un CCV hasta alrededor 0,65 dado que el tonelaje
relacionado por encima de las curvas de corte es en su mayora solapamiento y el promedio de corte superior parece
tener estabilizado Adems, la figura muestra que despus de un CCV de aproximadamente 1.1, la extensin de los
tonelajes y grados es mxima y permanece estable para valores de CCV ms altos. Por lo tanto, los CCV ms altos se puede
seleccionar para la clasificacin del recurso de alto riesgo. En un anlisis alternativo, la Tabla 2 muestra un CV con un
mnimo del 4,2 por ciento en el umbral de CCV de 0,65, sugiriendo que este umbral corresponde a la medida ms segura
de cantidad de metal y sera un umbral razonable para diferenciar entre las reservas medidas e indicadas. Los la
diferenciacin entre las reservas indicadas e inferidas puede basado en un CV de aproximadamente 6,7 por ciento o CCV
de 1,1, que identifica el extremo ms alto de riesgo. En un umbral ms alto solo un se entregara una pequea cantidad
de metal adicional. Para un CCV valor entre 0.65 y 1.1, tanto la cantidad de metal como la incertidumbre aumentar
sustancialmente. Por lo tanto, hay una compensacin entre ganancias en cantidad de metal y aumenta el riesgo al
diferenciar entre reservas indicadas e inferidas. Tenga en cuenta que la Tabla 2 permite informes sencillos de metal
promedio para cada categora como as como un intervalo de confianza, mnimo, mximo y proporcin del rango, como
en la Tabla 3 (el en la tabla est en trminos de rangos entre simulaciones mximas y mnimas). Tambin tenga en cuenta
que la tolerancia utilizada en este estudio de caso podra ser menor resultando en la posible expansin de los recursos
medidos. Tabla 3 proporciona informes detallados de la clasificacin de reserva. Un diferencia importante de los mtodos
de clasificacin tradicionales en este ejemplo es que la clasificacin es independiente del bloque nota media. Tenga en
cuenta que una expectativa clave de la clasificacin de recursos espara apoyar la planificacin minera. El enfoque de
Parker (Harry Parker,comunicacin personal) de uso comn, (mostrado tambin por Lopeset al, 2010, en este volumen)
sugiere que Measured debera soportar incrementos de produccin de tres meses e indicados incrementos de produccin
anual. Aunque en el momento de este estudio esto no se implement, el enfoque presentado puede fcilmente y debera
aplicarse, a fin de establecer los niveles de confianza en trminos de incrementos de produccin utilizados para la
planificacin.

Seleccionar umbrales en un depsito de cobre

El ejemplo de un depsito de prfido de cobre en Canad ilustra el uso de una clasificacin basada en CCV para recursos
/ clasificacin de reserva. El ejemplo considera la parte del depositar dentro de los lmites de pozo ptimos (ver Leite y
Dimitrakopoulos, 2010, en este volumen). Para el presente estudio, 25 realizaciones de los grados de cobre de 20 20
10 m3 bloques son usado. La figura 8 muestra el tonelaje de mineral por encima del 0.3 por ciento Cu corte utilizado aqu
traz contra el CCV para los 25 simulados realizaciones del yacimiento de cobre generado directamente en el bloque
tamao requerido (por ejemplo, Benndorf y Dimitrakopoulos, 2007). Similar al caso de estudio anterior, la figura muestra
un aumento claramente propagacin (riesgo) en el tonelaje de mineral a medida que aumenta el CCV. Figura 8 sugiere la
presencia de un riesgo bajo para un CCV de hasta aproximadamente 0,45 como el tonelaje relacionado por encima de las
curvas de corte son en su mayora superposicin. La extensin de la misma curva aumenta hasta un CCV de 0.85, cuando
el spread parece alcanzar su mximo y se estabiliza a esa extensin mxima. Estos dos valores del CCV puede usarse como
los valores de umbral elegidos para el recurso clasificacin.

Comentarios

Es importante tener en cuenta que los umbrales utilizados en el anterior ejemplos cambiarn de depsito a depsito,
diferentes geolgicos zonas y diferentes productos. Sin embargo, el proceso degenerar valores de CCV seguir siendo el
mismo y relativamente distintos frenos en las distintas curvas y tablas correspondientes estar. Adems, es importante
reiterar que a diferencia enfoques tradicionales, clasificacin de los bloques utilizando cualquiera de los las medidas
propuestas generadas mediante el uso de simulaciones reflejan tanto densidad de datos como variacin de grado local.
La figura 9 muestra el CCV clasificacin de bloques en una seccin de la veta de oro discutido anteriormente, junto con los
datos de perforacin disponibles. A pesar de que la densidad de perforacin vara, la clasificacin no siempre muestra una
fuerte correlacin con la densidad de perforacin. Por ejemplo, un denso el rea perforada no siempre se puede clasificar
como medida, como enfoques de clasificacin tradicionales pueden implicar. Los bloques informados en la clasificacin
de recursos deben ser del mismo tamao de soporte. Si este no es el caso, soporte independiente medidas pueden ser
derivadas. Un enfoque conocido es estandarizar el CCV de un bloque de un tamao de soporte dado utilizando la raz
cuadrada de la varianza de dispersin correspondiente (p. ej., Sabourin, 1983). Otro comentario prctico es que el nmero
de simulaciones requerido en este enfoque depende de la sensibilidad de los resultados. Si las simulaciones adicionales
no afectan la clasificacin general, no son requeridos Todos los enfoques de clasificacin pueden ser mejorado mediante
la eleccin de una agrupacin espacial racional de clasificados bloques en una categora para evitar su dispersin poco
realista. Por ltimo, pero no menos importante, la capacidad de simular eficientemente grandes depsitos y administrar
los datos generados es de importancia crtica para implementar los enfoques sugeridos.

UN ENLACE AL PROGRAMA DE PRODUCCIN Y ALGUNOS ASPECTOS RELACIONADOS

Los enfoques y ejemplos discutidos en las secciones anteriores no considere la influencia potencial de la programacin de
produccin paraclasificacin de reservas de mineral Se puede argumentar que la secuencia y el el tiempo de la minera
agrega una nueva dimensin a las decisiones sobre la reserva clasificacin. Esto se debe a los criterios para decidir qu es
un riesgo aceptable en un ao puede no ser necesariamente el mismo en las decisiones de diez aos ms tarde y el riesgo
asociado a la minera parte de un yacimiento este ao no necesariamente debe evaluarse en de la misma manera que lo
que se va a extraer algunos aos despus cuando la informacin y las condiciones sern diferentes. Una extensin del
ejemplo del depsito de diamantes aluviales presentado anteriormente se utiliza aqu para ilustrar la cuantificacin de
incertidumbre en las reservas (y por lo tanto cumplir con los objetivos de produccin) - aqu el volumen total de mineral
extrado. Primero, una produccin horario se desarrolla a travs de medios convencionales para doce 500 500 m2 de
bloques y considera la extraccin de cuatro bloques de ese tipo por perodo durante tres perodos de produccin.
Entonces, la evaluacin de la incertidumbre es realizado a partir de un conjunto de modelos de yacimientos simulados al
mismo bloquear escala de soporte para modelar la incertidumbre en el volumen de cada perodo de produccin. La Figura
10 muestra los ccdfs para volmenes de material extrado en cada uno de los tres perodos de produccin, por lo tanto
describiendo su incertidumbre. Adems, la Figura 10 muestra el riesgo perfil del volumen esperado para tres perodos de
produccin. Si el riesgo es un criterio principal en la clasificacin de la reserva, luego la reserva en el primer perodo de
minera tal vez debera ser clasificado en una diferente categora de eso en el tercer perodo.