Sei sulla pagina 1di 35

UNIVERSIDAD ALAS PERUANAS

FACULTAD DE INGENIERÍA Y ARQUITECTURA


ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

CURSO: GEOESTADÍSTICA I

DOCENTE DEL CURSO

ING. KROVER W. LAZARTE PONCE

Ing. Krover W. Lazarte P. 1


4. CONTENIDO ANALÍTICO

SEMANA 15
CAPITULO VII: INTRODUCCION A LA SIMULACION DE YACIMIENTOS
7.1 Introducción a la simulación numérica de yacimientos
7.2 Tipos de simuladores

SEMANA 16 EXAMEN FINAL


SEMANA 17 EXAMEN SUSTITUTORIO

Ing. Krover W. Lazarte P. 2


7.1 Introducción a la Simulación numérica de
Yacimientos.

Ing. Krover W. Lazarte P. 3


Principios de Simulación
 Estimación y Simulación
 Simulación de Monte-Carlo

¿Por qué simulación?


Modelamiento de variables continuas:
Simulación de Monte-Carlo

Ing. Krover W. Lazarte P. 4


Estimación y
Simulación

Los fenómenos simulados tienen los mismos valores experimentales en las


localizaciones muestrales y tienen las mismas medidas de dispersión (al
menos hasta de orden 2) que el depósito real.
Entonces, ¿en qué sentido la simulación condicional difiere de una
estimación ?

Ing. Krover W. Lazarte P. 5


Estimación y Simulación
 La estimación entrega un valor que es lo más cercano posible al
valor verdadero (desconocido), basada en alguna definición de
calidad:
• Insesgado
• Error cuadrático mínimo
• A menudo se usan combinaciones lineales de los datos
• Consecuente efecto suavizante
 La simulación entrega un modelo de incertidumbre antes y
después de una función de transferencia:
• Reproduce un modelo de variabilidad
• Permite determinar la incertidumbre en la respuesta

Ing. Krover W. Lazarte P. 6


Estimación y Simulación
 Kriging genera mapas suavizados de la variable de interés
No se puede predecir la ocurrencia de valores extremos de la
distribución los más relevantes
No se puede “procesar” el mapa estimado para predecir el
desempeño de los valores reales a ciertas “funciones de
transferencia”
• Plan minero
• Dimensionamiento de stocks para asegurar una alimentación
continua a la planta y con ciertas características
 El suavizamiento de kriging depende de la intensidad de muestreo
Más datos más irregular
Sin información completamente regular
 La varianza de kriging no toma en cuenta el efecto proporcional, sólo
depende de la configuración espacial de las muestras, pero no de sus
valores

Ing. Krover W. Lazarte P. 7


Usos de simulación
 La idea de la simulación es generar modelos que reproducen la
variabilidad real de la variable de interés
• Reproducen los datos
• Reproducen el histograma (representativo)
• Reproducen la distribución espacial  usualmente sólo hasta el
segundo orden (variogramas)
 Cada realización es un escenario posible
 Usos:
• Análisis de riesgo: escenario pesismista, caso base, escenario
optimista
• Estimación: bajo cualquier función de pérdida
• Cuantificación de la incertidumbre: variabilidad esperada
• Cambio de soporte: modelos consistentes a distintos soportes

Ing. Krover W. Lazarte P. 8


Procedimiento normal

 Generar un modelo geológico determinístico en base a la


interpretación de la información recolectada
 Definir las unidades de estimación (unidades geológicas)
• Dentro de ellas se asume que la variable (ley) tiene
un comportamiento homogéneo
• Interacción entre datos de distintas unidades
raramente se considera en el modelamiento
 Estimar o simular dentro de cada unidad geológica la
variable de interés (ley)

Ing. Krover W. Lazarte P. 9


Procedimiento mejorado
 Utilizar la información geológica y la interpretación como guía
para condicionar el modelamiento de las unidades de estimación
(unidades geológicas), pero hacerlo de forma estocástica
(probabilística)
• Generar varios modelos simulados de la distribución espacial
de las unidades geológicas
• Condicionados por datos, histograma (frecuencia de que
cada tipo de roca ocurra) y variogramas
• Adicionalmente, se pueden considerar proporciones que
varían localmente
 Utilizando cada modelo de unidades geológicas, simular la
distribución de leyes y repetir

Ing. Krover W. Lazarte P. 10


Modelos de simulación
Modelos físicos: básicamente consiste en construir réplicas o escalas del
sistema, que sean funcionales.
Su principal limitación es que muchos comportamientos físicos no pueden
escalarse o bien su construcción a escala 1:1 (o similares) no es factible. Un
buen ejemplo de este tipo de modelos, aplicados a la minería, son las cajas
de arena utilizadas para estudiar el flujo gravitacional de materiales
granulares.

Ing. Krover W. Lazarte P. 11


Modelos Físicos

Ing. Krover W. Lazarte P. 12


Modelos de simulación
Modelos matemáticos: consisten en una serie de aproximaciones y
suposiciones, ambas siempre cuantitativas, acerca de cómo funciona el
sistema.
Normalmente pueden expresarse mediante ecuaciones de varias variables.
Su principal limitación es que resultan de difícil aplicación en sistemas
complejos de numerosas variables en que no se conocen exactamente las
interrelaciones entre éstas.
Ejemplo de éste tipo de modelos es la reconocida ecuación F=m*a.

Un modelo producido de una


abstracción de un sistema real:
eliminando las complejidades y
haciendo suposiciones pertinentes
se aplica una técnica matemática
y se obtiene una representación
simbólica del mismo.
Ing. Krover W. Lazarte P. 13
Proceso del modelo Matemático

Objetivo: No conocer el sistema en si, si no el


comportamiento ante diversas situaciones.
Ing. Krover W. Lazarte P. 14
Modelos de simulación
Modelos de simulación computacional: consiste en la evaluación del
comportamiento de un sistema dado mediante valoración numérica
de éste, basándose en la construcción previa de un modelo imitativo
del comportamiento del sistema en un ambiente computacional
(software). Si bien pueden aplicarse a gran variedad de sistemas,
simples y complejos, existen casos en que la naturaleza aleatoria de
variables de entrada desestabilizan completamente el modelo.

Ing. Krover W. Lazarte P. 15


Ciclo de vida de un modelo computacional para simulación

Ing. Krover W. Lazarte P. 16


Modelamiento de variables continuas
• Estimación:
 Respeta los datos locales (con discontinuidad)
 Localmente precisa
 Suaviza apropiada para visualizar derivas
 Inapropiada para simular una función de transferencia
 No determina la incertidumbre de un conjunto de bloques
• Simulación:
 Respeta los datos locales
 Reproduce el histograma
 Respeta la variabilidad espacial apropiada para simular la
función de transferencia (plan minero)
 Es posible generar realizaciones diferentes cambiar número
aleatorio
 La determinación de la incertidumbre de un conjunto de bloques es
posible
Ing. Krover W. Lazarte P. 17
Distinción entre Simulación y estimación: Ejemplo
El Kriging produce un suavizado de las dispersiones (variabilidades) reales.

Ing. Krover W. Lazarte P. 18


Simulación continua vs. discreta
 Un modelo continuo es aquel en que el estado del sistema
cambia de manera continua con el correr del tiempo (por
ejemplo, el nivel de agua en una represa).

 En un modelo discreto, los cambios ocurren separadamente


en el tiempo. Obviamente en un mismo modelo global
pueden existir componentes continuas y discretas, en este
caso se habla de modelos mixtos.

• Depende del nivel de detalle que necesite. En general una


simulación de eventos discretos provee más información.

Ing. Krover W. Lazarte P. 19


Simulación Continua
Como el flujo en un tubo:
• La cantidad cambia con relación al tiempo
• La cantidad puede aumentar o disminuir

0 1 2 3 4 5

Ing. Krover W. Lazarte P. 20


Simulación por Eventos Discretos

• El tubo puede estar vacío o lleno de fluido


• La cantidad de fluido cambia cuando ocurren los
eventos discretos en el tubo o antes de la entrada del
tubo

0 2.1 3.53 4.67

Ing. Krover W. Lazarte P. 21


Estática vs. dinámica
Cuando el tiempo no juega un rol en la simulación se
habla de simulación estática, en caso contrario,
dinámica.
Determinístico vs. estocástico

Modelos que no tienen entradas aleatorias son


determinísticos. Modelos estocásticos tienen entradas
aleatorias, que pueden incorporarse mediante
distribuciones de probabilidad.

Ing. Krover W. Lazarte P. 22


Simulación de Monte Carlo

x1
y1
x2 Modelo
descrito por
ecuaciones
y2
x3

 Se extrae una muestra de las


distribuciones input
xn Las muestras son trabajados por
ecuaciones que describen el sistema
se encuentra la distribución de los
outputs

Ing. Krover W. Lazarte P. 23


Simulación de Monte Carlo
 Simulación de Monte Carlo / Simulación estocástica / Obtención
aleatoria provienen de la lectura de cuantiles de una distribución
acumulativa
 El procedimiento:
• Generación de un número aleatorio entre 0 y 1 (calculadora, tabla,
programa, ...)
• Leer el cuartil asociado a dicho número aleatorio
 Por Ejemplo:
Frecuencia acumulativa
Frecuencia

0.7807

28.83
Ley Ley

Ing. Krover W. Lazarte P. 24


Aplicaciones
Simulación en la práctica
Ejemplos

Ing. Krover W. Lazarte P. 25


Simulación en la práctica
Análisis exploratorio de los datos
• ¿Todos los datos están correctos?
• ¿Las poblaciones están bien definidas?
• ¿Se consideran poblaciones espacialmente homogéneas y
estacionarias?
Determinación de estadísticas representativas (distribución)
• Desagrupamiento de datos
• Suavizamiento del histograma para disminuir el efecto de
sesgo espacial y outliers
Transformación de acuerdo a la distribución representativa
• Z  Y ~ N(0,1)
• Para cada valor de Z existe un único valor de Y (y viceversa)
 Puede requerir despiking

Ing. Krover W. Lazarte P. 26


Simulación en la práctica
• Variografía de distribución transformada
– Atención: los datos transformados están sesgados respecto a la
distribución representativa N(0,1), debido a los clusters
– Meseta del variograma experimental de Y no será igual a 1.0
– Dos posibles soluciones:
• Reescalar la meseta a uno
• Calcular el variograma experimental a partir de datos
transformados sin considerar los ponderadores del
desagrupamiento
Ambas soluciones son “atajos”. El problema es mucho más
complicado
– El resultado de la variografía es un modelo 3D para cada unidad
geológica. Eventualmente, se puede considerar la relación entre
varias variables.
Ing. Krover W. Lazarte P. 27
Definición del método de simulación
• Definición del método de simulación:
– Tiempo disponible
– Software disponible
– Experiencia
• Chequeo de la hipótesis de trabajo
– Puede ser dificil invalidar una hipótesis si se dispone de pocos datos
– Conocimiento del fenómeno es primordial
• Simulación: generación de múltiples modelos numéricos
• Post-proceso de las realizaciones
– ¿Qué hacemos ahora con este montón de números que hemos
generado?

Ing. Krover W. Lazarte P. 28


Ejemplos
Simulaciones para generar leyes estimadas
• Promedio simple permite determinar el estimador óptimo
(minimización de (z-z*)2)
• Aplicación de funciones de pérdidas permite determinar el estimador
óptimo minimizando una pérdida no cuadrática…
• Minimización de |z-z*|  Mediana de la distribución de incertidumbre

Ing. Krover W. Lazarte P. 29


Ejemplos
Simulaciones para determinar la incertidumbre en la ley media esperada
por año.
 También se puede utlizar para chequear los resultados de un ejercicio de
estimación.
 Mina subterránea: se considera la ley media de cada caserón a explotar
según una secuencia definida
Average Grades vs. Year

0,9000 Sim_01
Sim_02
Sim_03
Sim_04
0,8000 Sim_05
Sim_06
Sim_07
Sim_08
Sim_09
0,7000 Sim_10
Sim_11
Sim_12
Grade

Sim_13
0,6000 Sim_14
Sim_15
Sim_16
Sim_17
Sim_18
0,5000 Sim_19
Sim_20
Sim_21
Sim_22
0,4000 Sim_23
Sim_24
Sim_25
Avg_Sim
Kriging
0,3000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Year
Ing. Krover W. Lazarte P. 30
Ejemplos
 Simulaciones para determinar la incertidumbre en el beneficio
generado por un proyecto.

 Simulaciones para determinar la incertidumbre en la geometría


del Pit final…

Ing. Krover W. Lazarte P. 31


Ejemplos
 Simulaciones para determinar si discrepancias entre
mina y planta son relevantes

Ing. Krover W. Lazarte P. 32


Ejemplos

 Simulaciones de leyes
para optimización de
caserones

Ing. Krover W. Lazarte P. 33


Ejemplos
Simulaciones para categorización
de recursos y reservas
 Generar múltiples modelos de leyes
 Se consideran recursos medidos
aquellos donde existe una probabilidad
mayor a 90% de que la ley de la
producción mensual esté dentro de
±15% del valor estimado
 Se consideran recursos indicados
aquellos donde existe una probabilidad
mayor a 90% de que la ley de la
producción trimestral esté dentro de
±15% del valor estimado
 Se consideran recursos inferidos
aquellos donde existe una probabilidad
mayor a 90% de que la ley de la
producción anual esté dentro de ±15%
del valor estimado

Ing. Krover W. Lazarte P. 34


Ciencia Tecnologia y Medio Ambiente

Para uso restringido para KL. Todos los derechos reservados. Ninguna
parte de esta presentación puede ser reproducida o utilizada en ninguna
forma o por ningún medio sin permiso explícito de Krover Lazarte.