CETEM

Seminário Nacional de Tecnologia Mineral

Painel Tecnologia de Lavra

Aplicações da Geoestatística na Mineração: Tendências

Futuras

João Felipe Coimbra Leite Costa, PhD

 Sumário

1. Introdução

2. Aplicações em:
classificação de recursos/reservas
planejamento de lavra,
homogeneização de minério,
modelamento geológico e de teores,

3. Comentários finais
 Introdução

Na indústria mineira, modelos de blocos têm sido amplamente

empregados como ferramentas para estimar recursos minerais
de depósitos, fornecendo subsídios para as etapas posteriores
de planejamento e extração ao longo da vida da mina.

O que tem sido constatado com uma freqüência cada vez

maior é que esses modelos de blocos, estimados a partir de
furos de sondagem de exploração ou de desenvolvimento,
quando comparados com a produção da mina, apresentam
significantes discrepâncias.
É geralmente aceito que as principais razões para a pobre
reconciliação por vezes observada está relacionada, na maioria
das vezes, com a incerteza na interpretação geológica e na
estimativa de parâmetros.

Muitos fatores podem afetar o grau de incerteza no processo de

estimativa como, por exemplo:

• o efeito da mudança de suporte;

• a insuficiência de amostras, a má amostragem ou a

técnica de preparação;

• erros de interpolação na geração do modelo de blocos;

• efeito de suavização dos interpoladores.

Independentemente das razões, é importante reconhecer que não
existem modelos de blocos perfeitos, no sentido em que sempre
existirá um erro associado (incerteza).

A proposta básica dos algoritmos de simulação geoestatística é

permitir o modelamento da incerteza pela geração de múltiplas
realizações de valores de atributos distribuídos no espaço, num
processo conhecido como simulação estocástica.

Essas realizações alternativas vão alimentar funções de

transferência com diferentes graus de complexidade, permitindo
obter-se uma distribuição de possíveis respostas, sendo que a
amplitude de variação dessa distribuição caracteriza o que
convencionou-se chamar de espaço de incerteza.
Entre as características esperadas dos modelos simulados,
particularmente para aplicações na área de mineração e que
permitam sua utilização para avaliar a incerteza na
estimativa, espera-se que esses modelos:

• honrem os valores nos pontos amostrados;

• reproduzam as mesmas características de dispersão dos

dados originais, isto é, o histograma e o variograma,
sendo dessa forma ditos simulados condicionalmente.
 Estimativa Simulação

Z1 Z2 Z3 Z4 Z1 Z2 Z3 Z4

Z5 Z6 Z7 Z8 Z5 Z6 Z7 Z8

Z9 Z10 Z11 Z12 Z9 Z10 Z11 Z12

Estimativa para Média dos

o valor no ponto valores estimados
 Uma visão intuitiva do processo de
simulação

Depósito mineral real, Informações do depósito:

mas desconhecido. banco de dados de sondagem

Modelos de blocos
igualmente prováveis
para o depósito
 Funções de transferência:
Possíveis depósitos processo mineiro

Definição dos parâmetros

de interesse

Processos de mineração

Resposta 1
Resposta 2
Modelo de incerteza de Resposta 3
resposta
Alternativas para Medida de Incerteza na
Classificação de Recursos Minerais
Classes of Points of Observation Degree of
Resource Spacing (m) Uncertainty
Measured 500 Up to 10%
Indicated 1,000 Up to 20%
Inferred 2,000 Above 20%
Análise da sensibilidade do seqüenciamento de lavra em

função da incerteza do modelo geológico

 Seqüenciamento de lavra

Caso otimista sGs

 Seqüenciamento de lavra

Caso pessimista sGs

 Seqüenciamento de lavra

Caso otimista siSim

 Seqüenciamento de lavra

Caso pessimista siSim

 Análise dos resultados

VPL dos no de VPL do

no de
Realização Cenário Algoritmo pushbacks períodos sequenciamento
pushbacks
(US$) (180 dias) (US$)

50 otimista sGs 13 482.494.296 51 472.837.129

24 pessimista sGs 15 471.534.235 42 438.336.071

14 otimista siSim 14 484.355.338 52 475.636.836
26 pessimista siSim 15 476.855.184 41 446.266.929

sGs x siSim otimista – diferença de 0,6%

sGs x siSim pessimista – diferença de 1,8%
sGs otimista x pessimista – diferença de 7,9%
siSim otimista x pessimista – diferença de 6,6%
Aperfeiçoamento da Estratégia de Homogeneização de Minérios
Utilizando Simulação Geoestatística
Principais áreas para a homogeneização de minérios
 Fontes de variabilidade
Existem diversas fontes que se somam para provocar variabilidade dos teores de minério que
alimentam uma unidade de beneficiamento:

i. Variabilidade dos teores médios de uma pilha em relação a um teor médio (anual por
exemplo)

ii. Variabilidade dos teores da retomada de uma pilha em relação ao teor médio da
mesma pilha

iii. Variabilidade dos teores dos blocos de minério estimados por qualquer método de
estimativa (incerteza das estimativas)

iv. Variabilidade dos teores dos elementos que compõem um bloco de lavra em relação
ao teor médio de um bloco (mesmo que este mesmo tenha sido corretamente
estimado). Ex. um bloco de 1000 m3 (2.6 t) possui um teor médio x, mas cada parte
desse bloco possui um teor diferente de x. Uma fatia de uma pilha possui 521 t e terá
partes de um bloco com teores variáveis .
 Fontes de variabilidade

O entendimento de todas as fontes de variabilidade, a

quantificação da variância provocada por cada uma das
mesmas, e os procedimentos para atenuá-las serão parte
deste estudo.
Construção da Pilha de Homogeneização
Construção da Pilha de Homogeneização
Construção da Pilha de Homogeneização
Construção da Pilha de Homogeneização
Construção da Pilha de Homogeneização
Retomada da Pilha de Homogeneização
Retomada da Pilha de Homogeneização
Retomada da Pilha de Homogeneização
 TEORES DE CADA PILHA PARA DIVERSOS TAMANHOS DE
PILHA INCORPORANDO INCERTEZA DOS TEORES DOS
BLOCOS
Pilhas de 100.000 t

45,000

40,000
Simula_1
35,000
Simula_2
Teor Médio

30,000 Simula_3
25,000 Simula_4
Simula_5
20,000
15,000

10,000
média Anual
Em cada gráfico estão plotados o teor
1 21 41 61 81 101 121
Pilha
médio de cada pilha formada para três
45,000
Pilhas de 150.000 t
tamanhos diferentes de pilhas.
40,000
Simula_1
35,000
Teor Médio

Simula_2
30,000

25,000
20,000
Simula_3
Simula_4
simula_5
Para incorporar a incerteza nos teores dos
blocos, usamos 5 modelos simulados
Média Anual
15,000

10,000
1 21 41 61 81
Pilha
retirados das 20 geradas
Pilhas de 225.000 t

45,000
40,000

35,000
Simula_1
Simula_2
Atente para diminuição da variabilidade
Teor Médio

30,000 Simula_3
25,000
20,000
Simula_4
Simula_5
entre pilhas a medida que o tamanho de
Média Anual
15,000
10,000
1 11 21 31 41 51
pilhas aumenta
Pilha
 Variância de retomada
Curvas 225.000 t

22

20

18

16

14
Desvio padrão

12
Curvas 225.000 t
10

8 22

6 20

4 18

2 16

0 14

Desvio padrão
0 5 10 15 20 25 30 35 40 45

Número de camadas 12 -0,6891

y = 16,251x
10

0
0 5 10 15 20 25 30 35 40 45

Número de camadas -0,6891

y = 16,251x

Uma pilha de 225.000 t só produzirá homegeneização perfeita (considerando

blocos de lavra de 10x10x10) se existirem 84 layers ou múltiplo deste.
Desse modo, cada metro de pilha teria (seguindo este modelo de construção
de pilhas) a mesma composição e o mesmo teor levando a uma variância
mínima durante toda a retomada dessa pilha
• Modelamento de corpos geológicos e/ou litotipos
O uso de métodos geoestatísticos probabilísticos pode ser de
grande valia como ferramenta auxiliar na construção das
seções e do modelo geológico.

Para o modelamento de litologias, por serem variáveis

categóricas, os métodos que utilizam o conceito de
indicadores são uma alternativa apropriada.).
Multiple-point Pattern Simulation
 Training image (TI)
A training image is a visually explicit model of heterogeneity/
continuity without any attempt at local accuracy
Ø Geological analogs, outcrops

Ø Sequence stratigraphy

Ø Object-based modeling

Ø Process-based modeling

Ø Physical rule-based modeling

 Original MPS Simulation Implementation

Simulation grid
Training image

Look for patterns matching

u2
u4 u? the conditioning data
u3
u1

Updated simulation P(sand)=3/4

P(shale)=1/4
Draw simulated value
?
u?
• Stochastic (multiple realizations)
• Easy to condition (pixel-based)
Go to next grid node • General (not specific to channels)
along random path... • But slow
 Comentários finais

Apresentamos algumas aplicações de simulação estocástica

aplicadas a problemas de mineração

Existe um grande potencial de uso e desenvolvimento de novas

técnicas geoestatísticas para resolução e otimização de
problemas na indústria mineral.

Exemplos em várias situações mineiras. Espaço para pesquisa

combinando:
i. geofísica e geoestatística em mineração,
ii. pesquisa operacional (otimização) e geoestatística em
mineração,
iii. modelamento de litotipos
 Comentários finais

A dificuldade de prever corretamente os teores dos blocos

sugere uma abordagem mais humilde, i.e.:

É melhor estarmos aproximadamente corretos (e medir a

precisão da estimativa = erro!)
simulação

Do que estimarmos precisamente (sem medida de erro, ou com

erro da estimativa minimizado); porém errado!
estimativa por interpolação