Vous êtes sur la page 1sur 65

Etapas en la evaluación de yacimientos

• modelamiento geológico: determinación de “unidades geológicas”


en base a la litología, mineralogía, alteración, etc. En general, cada
unidad se estudia y se estima por separado.

• evaluación de la calidad de los datos (muestras)

• modelamiento geoestadístico de los datos

• estimación global y local de los recursos geológicos

• definición y reporte de las reservas mineras


Herramientas
exploratorias
Objetivos

• Estudiar la cantidad, calidad y ubicación de los datos disponibles


para realizar la estimación de recursos y reservas

• Comprobar la homogeneidad de las leyes en cada unidad geológica,


así como la pertinencia de las unidades geológicas definidas

• Anticipar dificultades o problemas que puedan surgir en la fase de


estimación de recursos y reservas
Presentación de los datos

Sondajes de exploración en un yacimiento tipo pórfido cuprífero


→ obtención de 2376 muestras compositadas con sus leyes de
cobre total (en %), oro total (en ppm) y el tipo de roca.

Código Tipo de roca


4 Granodioríta cascada
54 Dioríta
20 Brecha de turmalina
31 Brecha de polvo de roca
34 Brecha de polvo de roca y turmalina
28 Brecha monolito
29 Brecha de turmalina - monolito
Despliegue de atributos (mapas) (1)

Permite visualizar la ubicación de las muestras en el espacio


y darse una idea preliminar de la organización espacial de la
variable regionalizada en estudio:
✓ litología
✓ mineralización definición de “unidades geológicas”
✓ alteración
✓ leyes, densidad, potencia, etc.

Tipos de despliegue: secciones; plantas; vistas 3D; mapas con


escala de colores, codificados por indicador, por símbolos, etc.
Despliegue de atributos (mapas) (2)

Nos interesamos por la ley de cobre total


Distribución de leyes (1)

Histograma estándar
Visualiza la frecuencia de ocurrencia en función del valor
Distribución de leyes (2)

Desagrupamiento

Cuando el muestreo es irregular, es preferible no atribuir el


mismo peso estadístico a todos los datos. La operación de
desagrupamiento consiste en ponderar los datos en función
de su grado de aislamiento: mientras más aislado, más peso.

Principales métodos:
• polígonos de influencia
• método de las celdas
Distribución de leyes (3)

Desagrupamiento: método de los polígonos de influencia


Se pondera cada dato proporcionalmente a su volumen de
influencia en el campo.
Distribución de leyes (4)

Desagrupamiento: método de las celdas


Se divide la zona muestreada en celdas de mismo volumen.
Cada celda tiene el mismo peso, el cual se reparte entre las
muestras contenidas en esta celda.
Distribución de leyes (5)
Factores que especificar para ejecutar el método de las celdas:
• origen de la red de celdas
• orientación de las celdas
• tamaño de las celdas: ¿tomar el tamaño que minimiza el valor
promedio desagrupado?
Distribución de leyes (6)

Los algoritmos de desagrupamiento presentados

• consideran criterios geométricos al ponderar los datos en


función de su grado de aislamiento: mientras más aislado,
más peso

• no toman en cuenta la estructuración espacial de los datos,


aunque idealmente este factor también debería ser tomado en
consideración.
Distribución de leyes (7)

Histograma desagrupado por los pesos obtenidos por el método


de las celdas, con celdas de tamaño 48m × 48m × 12m
Distribución de leyes (8)

Estadística básica
• medidas de posición
media, mediana, moda, mínimo, máximo, rango, deciles,
cuartiles, cuantiles
• medidas de dispersión
varianza, desviación estándar, coeficiente de variación,
rango intercuartil

• medidas de forma
coeficiente de asimetría, coeficiente de aplanamiento
Distribución de leyes (9)

Herramientas alternativas al histograma estándar


• histograma acumulado

• gráficos de probabilidad

• curvas tonelaje-ley

El cálculo de estas herramientas debe tomar en cuenta los


ponderadores de desagrupamiento.
Distribución de leyes (10)

Histograma acumulado
Para cada ley de corte, se visualiza la frecuencia de los valores
menores que dicha ley de corte.
Distribución de leyes (11)

Gráficos de probabilidad

Estos gráficos comparan una distribución empírica con una


distribución de referencia normal o lognormal.
El gráfico de probabilidad normal distorsiona el eje de las
ordenadas del histograma acumulado, de modo que el gráfico
dibujaría una recta en caso de tener una distribución normal o
gaussiana.

El gráfico de probabilidad lognormal consiste en usar una


escala logarítmica en el eje de las abscisas: si la distribución
de los valores fuera lognormal, se obtendría una recta.
Distribución de leyes (12)

La presencia de varias “poblaciones” entre los datos puede


traducirse en un quiebre de pendiente en estos gráficos. Sin
embargo no es una condición necesaria ni suficiente, por lo
que se debe complementar el análisis con otra información.
Distribución de leyes (13)
Curvas tonelaje-ley
El tonelaje asociado a una ley de corte es la cantidad de valores
que superan esta ley de corte. La media de estos valores provee
la ley promedio sobre la ley de corte. El tonelaje también puede
expresarse como fracción del total (entre 0 y 1).
Distribución de leyes (14)

Cuando aumenta la ley de corte, el tonelaje decrece y la ley media


crece. El producto del tonelaje por la ley media define la cantidad
de metal (función decreciente de la ley de corte).

Hay que tener cuidado que las curvas tonelaje – ley dependen del
soporte de los valores medidos, en particular las curvas asociadas
a las muestras (soporte “puntual”) no coinciden con las curvas de
las unidades selectivas de explotación (“bloques”). Para estimar
estas últimas, será necesario construir un modelo de cambio de
soporte.
Comportamiento direccional (1)

Nubes direccionales
Visualizan el comportamiento de los valores a lo largo de
los ejes de coordenada. Esta herramienta permite detectar
valores atípicos e identificar tendencias o cambios de
estructuración en la evolución de los valores.
Comportamiento direccional (2)

media desv. estándar


rango [m]
[% Cu] [% Cu]
0 – 50 0.55 0.27
50 – 100 0.96 0.46
100 – 150 1.23 0.81
150 – 200 1.13 0.57
200 – 250 1.15 0.82
250 – 300 0.94 0.52
300 – 350 0.82 0.42
350 – 400 0.73 0.47
Comportamiento direccional (3)
media desv. estándar
rango [m]
[% Cu] [% Cu]
0 – 50 0.93 0.83
50 – 100 1.39 1.08
100 – 150 1.18 0.74
150 – 200 0.96 0.48
200 – 250 0.90 0.48
250 – 300 0.97 0.41
300 – 350 1.04 0.39
350 – 400 1.04 0.50
400 – 450 1.09 0.53
450 – 500 1.16 0.69
500 – 550 0.55 0.28
550 – 600 0.52 0.23
Comportamiento direccional (4)

media desv. estándar


rango [m]
[% Cu] [% Cu]
0 – 25 0.91 0.48
25 – 50 0.95 0.45
50 – 75 0.95 0.51
75 – 100 1.00 0.65
100 – 125 1.03 0.73
Herramientas bivariables (1)

Gráfico cuantiles contra cuantiles


Visualiza los cuantiles de una variable en función de los
cuantiles de otra variable.
Herramientas bivariables (2)

Nube de dispersión
→ ver la relación par a par de ambas variables o “correlación”
→ detectar valores aberrantes
Herramientas bivariables (3)

Coeficiente de correlación lineal


Resume la relación existente entre dos variables por un valor
comprendido entre –1 y 1. Cuidado con las interpretaciones
rápidas de este coeficiente, ya que es sensible a relaciones no
lineales entre variables y a los valores extremos.
Problemas prácticos
Nociones fundamentales (15)

COMPÓSITOS
Un mismo conjunto de datos no debe contener muestras de
soporte distinto. Por ende, es necesario llevar las muestras a
compósitos de la misma longitud (generalmente, igual a la
altura del bloque de selección minera o a un sub-múltiplo de
esta altura) que se pueden agrupar en el estudio estadístico.

Mientras más largo el compósito, menos dispersos y menos


erráticos los valores.
Nociones fundamentales (16)
Creación de compósitos
Testigos originales
Compósitos
con su ley de cobre
Muestreo preferencial

Un muestreo es preferencial si privilegia las zonas de alta


ley. Hay que tener cuidado en el estudio geoestadístico de
tales muestreos, pues los estadísticos experimentales ya no
son representativos del campo entero

→ desagrupar las muestras


→ el tener un muestreo preferencial dificulta el análisis
variográfico de los datos (por ejemplo, en presencia de
un efecto proporcional) y las posteriores estimaciones
de recursos y reservas.
Información geológica (1)

La caracterización del depósito y la evaluación de sus recursos


dependen en gran parte del conocimiento de la geología.

→ Mapas geológicos
Se basan en observaciones de superficie, trincheras, sondajes,
labores subterráneas. Sin embargo, lo esencial de estos mapas
corresponde a una interpretación. Por lo tanto, es necesario
revisar periódicamente estos mapas.

Se localizan los tipos de roca, fallas, pliegues, densidades y


orientación de fracturas o de vetas, y se determina sus edades
(anterior o posterior a la mineralización).
Información geológica (2)

→ Geometría de la zona mineralizada (contacto mineral - estéril)

Modelamiento en plantas y secciones de superficies y volúmenes


por interpolación / extrapolación a partir de la información de
sondajes; modelamiento tridimensional.

A menudo, las fronteras modeladas son más suaves (o sea, menos


erráticas) que las fronteras verdaderas; los errores geométricos
pueden ser localmente muy importantes e implican incertidumbre
en los tonelajes de mineral.
Información geológica (3)

→ Definición de unidades geológicas

Se suele dividir el depósito en varias zonas o “unidades geológicas”


(UG), según la litología, la mineralogía y/o la alteración existente.
También se puede incluir criterios metalúrgicos y condiciones
estructurales (fallamiento) en la definición de dichas unidades

• Verificar la pertinencia de la división; si es necesario, agrupar


varias unidades de propiedades similares

• Cada unidad debería presentar características “homogéneas”


Información geológica (4)

Problemas asociados con la definición de unidades geológicas

→ Transición entre una unidad y otra:


¿frontera “dura” o “blanda”? (examinar los perfiles de leyes
que cruzan la frontera)

→ Extensión espacial de las unidades en el yacimiento

¿modelo determinístico o probabilístico? (las interpolaciones


están sujetas a errores, lo que implica una incertidumbre en los
volúmenes y tonelajes interpretados)
Información geológica (5)

Unidades geológicas definidas por rangos de leyes

Una práctica común es definir unidades geológicas por referencia


a rangos de leyes. Este enfoque (método de “isoleyes”) también
se usa en combinación con criterios geológicos.

El uso de rangos de leyes no tiene sentido geológico. Del punto


de vista geoestadístico, puede llevar a interpretaciones erróneas:
• el método es auto-justificativo
• las fronteras entre rangos de leyes suelen ser blandas

• los resultados son sensibles a los rangos de leyes escogidos


Variables categóricas

Codifican una propiedad del yacimiento (tipo de roca, unidad


geológica...) → no confundir con una variable regionalizada
tradicional.

Se distingue tres grandes zonas:


• brecha de turmalina (centro)
• dioríta y granodioríta (este)
• otras brechas (oeste)
Compósitos (1)

Un mismo conjunto de datos no debe contener muestras de


soporte distinto. Por ende, es necesario llevar las muestras a
compósitos de la misma longitud (generalmente, igual a la
altura del bloque de selección minera o a un sub-múltiplo de
esta altura).
Mientras más largo el compósito, menos dispersos y menos
erráticos los valores.

Si existen soportes muy distintos, se puede considerar el


atributo medido en cada soporte como una variable distinta.
Compósitos (2)

Los compósitos no deben cruzar fronteras “duras” entre unidades


geológicas distintas. Es frecuente que se pierdan segmentos de la
información inicial al compositar (en la frontera de una unidad
geológica o al final del sondaje).

Para variables categóricas (ej: código de litología o mineralogía),


se puede asignar al compósito el código que más se repite entre
las muestras del compósito o el código de la muestra ubicada en
su centro.
Compósitos (3)

Al compositar, se supone que las leyes son uniformes en cada


testigo inicial, para poder reconstituir el perfil de leyes de cada
sondaje.

Aumentar la longitud de los compósitos tiene varios efectos.


• reduce el número de datos
• disminuye la dispersión de los valores (efecto de soporte):
menos valores extremos, facilita el análisis variográfico

La longitud de los compósitos se escoge generalmente en base a


la altura de los bloques usados para modelar el depósito.
Valores atípicos / aberrantes (1)

Es posible detectar valores “atípicos” por medio de varias


herramientas, en especial: histograma, nubes de correlación
entre variables, nubes direccionales...

Nunca se debe eliminar un valor “atípico” sin razón (falla en


el protocolo de medición, en la transcripción del dato, etc.).
Además, ningún test estadístico puede indicar si un valor
es “aberrante” o no.
Valores atípicos / aberrantes (2)

La presencia de valores atípicos puede plantear problema para


la evaluación de recursos y reservas:
• introduce variabilidad y complica el estudio variográfico
• puede conducir a zonas amplias con leyes estimadas muy altas

Alternativas:
• métodos geoestadísticos avanzados (transforman los datos)
• “capping” o “cutting”
• cambiar el tamaño de los compósitos
• identificar varias poblaciones de datos
Datos imprecisos (1)

Es frecuente que todo o parte de las mediciones contengan


imprecisiones, debido al protocolo de muestreo o de análisis
químico
→ las técnicas geoestadísticas permiten tomar en cuenta
estas imprecisiones, siempre que hayan sido previamente
cuantificadas
→ la evaluación de recursos pierde precisión en presencia de
errores de medición
→ es recomendable estudiar la calidad de las mediciones,
sobre todo si provienen de fuentes distintas.
Datos imprecisos (2)

Ejemplo: comparación de las mediciones procedentes de dos


campañas de sondaje distintas

Aquí se puede agrupar las mediciones de ambas campañas


Datos imprecisos (3)

La comparación estadística de “poblaciones” debe hacerse con


cuidado
• diferencias “naturales” por tratarse de muestras diferentes, aun
si están tomadas en la misma zona (fluctuaciones estadísticas
que pueden ser importantes en las colas de las distribuciones)

• diferencias esperables cuando las poblaciones están en zonas


distintas, debido a la evolución en los valores de la variable
regionalizada: cambio en las leyes y en su dispersión (efecto
proporcional)
La regresión de D. Krige
Regresión lineal (1)

Se considera la nube de dispersión entre dos variables X e Y


(ejemplos: leyes de cobre total vs. cobre soluble; leyes estimadas
vs. reales; acumulación de oro vs. potencia; ley vs. coordenada)

La regresión lineal consiste en determinar la recta que mejor


represente la nube de puntos. Su ecuación es:

Ŷ = a X + b

cov (X, Y)
con: a =
var (X)
b = mY − a mX
Regresión lineal (2)

Ilustración: valores reales vs. valores estimados de leyes


La regresión de Krige (1)

Problemática
A principios de los años 1950, en los yacimientos de oro
sudafricanos, se solía estimar la ley de un panel por la media
de las leyes de las muestras contenidas en dicho panel.

Este proceder resultaba en un fuerte sesgo condicional: si las


muestras tienen una alta ley, el panel tiende a tener una ley
más baja, y viceversa, a causa del efecto de soporte. Luego,
cuando el estimador proporcionaba una ley muy alta, lo más
probable es que la ley verdadera del panel fuera más baja.
La regresión de Krige (2)

Propuesta de D. Krige

Para corregir los sesgos, Krige aplicó la siguiente regresión:

ley estimada del panel = a mi + (1 − a) m


con
mi: ley promedio de las muestras al interior del panel
m: ley promedio de todas las muestras
a: coeficiente inferior a 1
La regresión de Krige (3)

Propuesta de G. Matheron

En la regresión de D. Krige, todas las muestras dentro del panel


tienen el mismo peso; asimismo las muestras fuera del panel
también tienen un peso igual entre sí, se sitúen o no próximos a
él.

G. Matheron mejoró la ponderación al atribuir a cada muestra


el ponderador que se merece realmente, según su alejamiento al
centro del panel y la estructuración espacial de los valores; así
formalizó el método llamado “kriging” (1963).
Ejercicios

Repetir el estudio exploratorio de los datos de cobre y realizar el


estudio de los datos de oro en los sondajes de exploración
locxyz, histplt, declus, scatplt, qpplt, probplt, gtcurve, getpairs

Comparar las características de las leyes de cobre en los sondajes


con aquellas de los pozos de tronadura ubicados en los centros
de los bloques de 25m × 25m × 12m
pixelplt, histplt, qpplt

Comparar las características de los pozos de tronadura con


aquellas de los bloques de 25m × 25m × 12m
pixelplt, histplt, qpplt, scatplt
Archivos de parámetros
de los programas GSLib
Mapa de ubicación
Parameters for locxyz
*********************

START OF PARAMETERS:
muestras.dat -file with data
1 2 4 - columns for X, Y, variable
3 -1.0e21 1.0e21 - columns for Z and coordinate limits
-1.0 1.0e21 - trimming limits
mapa_muestras_Cu_planta.ps -file for PostScript output
0.0 400. -xmn,xmx
0.0 600. -ymn,ymx
0 -0=data values, 1=cross validation
0 -0=arithmetic, 1=log scaling
1 -0=gray scale, 1=color scale
0 -0=no labels, 1=label each location
0.0 3.0 0.5 -gray/color scale: min, max, increm
0.25 -label size: 0.1(sml)-1(reg)-10(big)
Muestras de exploracion (planta) -Title
Histograma
Parameters for HISTPLT
**********************

START OF PARAMETERS:
muestras.dat -file with data
4 0 - columns for variable and weight
-1.0 1.0e21 - trimming limits
hist_muestras_Cu.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum
0.12 -frequency maximum (<0 for automatic)
30 -number of classes
0 -0=arithmetic, 1=log scaling
0 -0=frequency, 1=cumulative histogram
0 - number of cum. quantiles (<0 for all)
2 -number of decimal places (<0 for auto.)
Histograma estandar -title
1.5 -positioning of stats (L to R: -1 to 1)
-1.1e21 -reference value for box plot
Desagrupamiento (1)
Parameters for DECLUS
*********************

START OF PARAMETERS:
muestras.dat -file with data
1 2 3 4 - columns for X, Y, Z, and variable
-1.0 1.0e21 - trimming limits
declus.sum -file for summary output
declus.out -file for output with data & weights
1.0 0.25 -Y and Z cell anisotropy (Ysize=size*Yanis)
0 -0=look for minimum declustered mean (1=max)
94 30.0 500.0 -number of cell sizes, min size, max size
10 -number of origin offsets
Desagrupamiento (2)
Parameters for SCATPLT
**********************

START OF PARAMETERS:
declus.sum -file with data
1 2 0 0 - columns for X, Y, wt, third var.
-1.0 1.0e21 - trimming limits
media_vs_tamano.ps -file for Postscript output
0.0 500.0 0 -X min and max, (0=arith, 1=log)
0.8 1.10 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point
0.5 -bullet size: 0.1(sml)-1(reg)-10(big)
0.0 5.0 -limits for third variable gray scale
Media desagrupada vs tamano de celda -title
Desagrupamiento (3)
Parameters for DECLUS
*********************

START OF PARAMETERS:
muestras.dat -file with data
1 2 3 4 - columns for X, Y, Z, and variable
-1.0 1.0e21 - trimming limits
declus.sum -file for summary output
declus.out -file for output with data & weights
1.0 0.25 -Y and Z cell anisotropy (Ysize=size*Yanis)
0 -0=look for minimum declustered mean (1=max)
1 48.0 48.0 -number of cell sizes, min size, max size
10 -number of origin offsets
Desagrupamiento (4)
Parameters for HISTPLT
**********************

START OF PARAMETERS:
declus.out -file with data
4 7 - columns for variable and weight
-1.0 1.0e21 - trimming limits
hist_declus_Cu.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum
0.12 -frequency maximum (<0 for automatic)
30 -number of classes
0 -0=arithmetic, 1=log scaling
0 -0=frequency, 1=cumulative histogram
0 - number of cum. quantiles (<0 for all)
2 -number of decimal places (<0 for auto.)
Histograma desagrupado -title
1.5 -positioning of stats (L to R: -1 to 1)
-1.1e21 -reference value for box plot
Gráficos de probabilidad
Parameters for PROBPLT
**********************

START OF PARAMETERS:
declus.out -file with data
4 7 - columns for variable and weight
-1.0 1.0e21 - trimming limits
logprobplt_declus_Cu.ps -file for PostScript output
0 -number of points to plot (<0 for all)
1 -0=arithmetic, 1=log scaling
0.1 10.0 0.5 -min,max,increment for labeling
Grafico de probabilidad lognormal -title
Curvas tonelaje-ley
Parameters for GTCURVE
**********************

START OF PARAMETERS:
declus.out \file with data
4 7 \ columns for grade and weight
-1. 1.0e21 \ trimming limits
100.0 \ clipping limit (upper limit)
gtcurve_declus_Cu.ps \file for Postscript output
30 0.0 3.0 \Cutoff: num, min and max
0.0 1.0 \Tonnes: min and max
0.0 5.0 \Grade: min and max
Curvas Tonelaje-Ley
Nubes direccionales
Parameters for SCATPLT
**********************

START OF PARAMETERS:
declus.out -file with data
1 4 7 0 - columns for X, Y, wt, third var.
-1.0 1.0e21 - trimming limits
nube_Cu_este.ps -file for Postscript output
0. 400.0 0 -X min and max, (0=arith, 1=log)
0.0 7.3 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point
0.25 -bullet size: 0.1(sml)-1(reg)-10(big)
0.0 5.0 -limits for third variable gray scale
Nube direccional (este) -title
Nubes de dispersión
Parameters for SCATPLT
**********************

START OF PARAMETERS:
declus.out -file with data
4 5 7 0 - columns for X, Y, wt, third var.
-1.0 1.0e21 - trimming limits
scatplt_cobre_oro.ps -file for Postscript output
0. 7.0 0 -X min and max, (0=arith, 1=log)
0.0 70.0 0 -Y min and max, (0=arith, 1=log)
1 -plot every nth data point
0.25 -bullet size: 0.1(sml)-1(reg)-10(big)
0.0 5.0 -limits for third variable gray scale
Nube de dispersion -title
Gráfico cuantiles contra cuantiles
Parameters for QPPLT
********************

START OF PARAMETERS:
declus.out -file with first set of data (X axis)
4 7 - columns for variable and weight
declus.out -file with second set of data (Y axis)
5 7 - columns for variable and weight
-1.0 1.0e21 - trimming limits
qqplt_declus_CuAu.ps -file for PostScript output
0 -0=Q-Q plot, 1=P-P plot
0 -number of points to plot (<0 for all)
0.0 7.0 -X minimum and maximum
0.0 70.0 -Y minimum and maximum
0 -0=arithmetic, 1=log scaling
Grafico cuantiles contra cuantiles -Title
Nociones fundamentales (18)
Ejemplo: clasificación de las unidades selectivas de explotación
en mineral o estéril