CF Elissetche PC

UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS

DEPARTAMENTO DE INGENIERA DE MINAS
MODELAMIENTO DE RECURSOS DE UN YACIMIENTO

TIPO EXTICO
MEMORIA PARA OPTAR AL TTULO DE INGENIERO CIVIL DE MINAS
PEDRO NICOLS ELISSETCHE CORREA
PROFESOR GUA:
XAVIER EMERY
MIEMBROS DE LA COMISIN:
BRIAN TOWNLEY CALLEJAS
EDUARDO MAGRI VARELA
SANTIAGO DE CHILE
SEPTIEMBRE DE 2010
RESUMEN
En la minera actual, la mayor parte de los proyectos mineros contempla una etapa de
exploracinyevaluacinderecursos.Secomienzaconunatomademuestras,comoloesunacampaa
desondajesparapoderinterpretarlaslitologasyalteracionespresentes,definirlaszonasmineralesms
relevantes y describir la distribucin de leyes de elementos de inters, de tal forma de llegar a un
modelodeevaluacindelyacimiento.
Para determinar el potencial econmico de un yacimiento existen herramientas y tcnicas
geoestadsticas de evaluacin y modelamiento de recursos tales como el kriging o la simulacin
condicional.Laprimerapermitehacerunaestimacininsesgadayprecisadelasleyes,obtenindoseun
modelo suavizado que no representa la variabilidad. La segunda posibilita realizar un estudio de la
incertidumbre de los valores involucrados en los atributos geolgicominerometalrgicos y tener
anlisisderiesgosaconsiderarparalatomadedecisiones.
Enestamemoria,seaplicansimulacionesgeoestadsticasparacuantificarlosrecursosminerales
deunyacimientopertenecienteaAntofagastaMineralsSA(AMSA),ubicadoenlaRegindeAntofagasta,
Chile,elcualhasidointerpretado,recientementeendiezdominiosmineralesyevaluadoporkriginga
travs de informacin de sondajes. Utilizando un algoritmo de simulacin para variables categricas,
especficamente el algoritmo secuencial de indicador, se construye once modelos alternativos de
dominios minerales. Luego se utiliza un algoritmo de simulacin de variables continuas (secuencial
gaussiano)paraobteneroncemodelosdebloquesparaleyesdecobretotalycobresoluble,cadauno
asociado con un modelo particular de dominios minerales. Se realiza la validacin comparando las
realizaciones con los datos originales, el modelo de kriging y el modelo geolgico interpretado.
Finalmenteseconstruyencurvastonelajeleyparacuantificarlosrecursosparadistintasleyesdecorte.
Considerando una ley de corte de 0.2% en cobre soluble, se obtiene para los modelos de
simulacionesque,enpromedio,hay53millonesdetoneladasconleymediadecobresolublede0.86%,
encontrasteconlos50millonesdetoneladasdeleymedia0.73%entregadasporelmtododekriging,
loqueentregaunadiferenciaaproximadade90.000toneladasdecobrefino.
As,existenzonasenelyacimientodondeladiferenciaentreelmodelodekrigingylosmodelos
simuladossonrelevantes.Debidoaesto,esrecomendablenuevascampaasdesondajesenfocadasen
estasreasparaobtenerinformacindemejorcalidadquepermitareducirlaincertidumbre.Tambin
sera interesante considerar la mineralizacin de ganga como una de las variables a simular, para as
tenermodelospredictivosdelcomportamientodecadabloqueenlosfuturosprocesosmetalrgicos.
i
ABSTRACT
Currently, most mining projects begin with an exploration stage and resource assessment. It
starts with a drill hole sampling campaign in order to interpret the lithologies, to define the most
important mineral areas and to describe the grade distribution of elements of interest.
Geostatisticaltoolsandtechniquesareavailableforevaluatingmineralresources,suchaskriging
orsimulation.Theformerprovidesanunbiasedestimateofmineralgrades,obtainingasmoothedmodel
thatdoesnotreproducethetruevariability.Thelatterallowsassessingtheuncertaintyinthevaluesof
theattributesinvolvedingeologicalminingmetallurgicalmodeling(suchasgradesandlithologies)and
performingriskanalysisfordecisionmaking.
Inthisthesis,geostatisticalsimulationisappliedtoquantifythemineralresourcesinadeposit
locatedinthesecondregionofChileandownedbyAMSA(AntofagastaMineralsSA),whichhasalready
beeninterpretedintotenmineraldomainsandevaluatedbykrigingfromtheinformationofadrillhole
data base. Using a simulation algorithm for categorical variables, specifically the sequential indicator
algorithm, eleven alternative models of the mineral domains are constructed. Then, an algorithm for
simulating continuous variables (sequential Gaussian algorithm) is used to obtain eleven block models
for total copper and soluble copper grades, each one associated with a particular model of mineral
domains.Validationisdonebycomparingeachofthesimulationoutputswiththeoriginaldataandwith
the interpreted model ofmineral domains. The gradetonnage curves are finally computed in order to
quantifytheresourcesatseveralcutoffgradesintheeconomicallymostinterestingmineraldomains.
Consideringacutoffgradeof0.2%insolublecopper,anaverageof53milliontonsisobtainedfor
thesimulatedmodelswitha0.86%averagegradeofsolublecopper,whereasthe50milliontonswith
0.73%averagegradeofsolublecopperaredeliveredbytheKrigingmodel.
Thereareareasofthedepositwherethedifferencesbetweenkrigingandsimulationmodelsare
relevant, so that it is recommended a new drilling campaign in these areas in order to get additional
informationandtoreduceuncertainty.Inadditiontothegrademodels,itwouldalsobeinterestingto
consider the waste mineralization like another variable to simulate, to make predictive models of the
behaviorofeachblockinthefuturemetallurgicalprocesses.
ii
AGRADECIMIENTOS
A mi familia por el apoyo entregado a travs de toda la carrera y porque siempre estuvieron
presentescuandolosnecesit.Especialmentemispadresporquenuncamepresionaron,yalcontrario,
me motivaron a travs de los aos y siempre me dieron la opcin de elegir. Incluyo tambin a mis
cuados,enespecialaPabloporayudarmeconelingls.TambinalaRositaporlapacienciaestosaos.
Amisamigosycompaerosdelauniversidadporquehicieronqueestecaminofueramsfcily
feliz,enestaimportanteetapademivida.
AConi,porquedesdeelprincipiofueparteimportantedeestetrabajoysiempremeapoyyme
ayudconsuexperiencia.
A mis amigos del colegio por los grandes momentos que hemos pasado estos aos y porque
siempremetuvieronpacienciacuandolediprioridadalauniversidadenvezdeaellos.
A los profesores de mi comisin, especialmente al profesor Xavier Emery por su excelente
disposicin, sus consejos y su paciencia para ensear, su ayuda en las traducciones, etc. Tambin
agradecerlascorreccionesaestamemoriajuntoalosprofesoresBrianTownleyyEduardoMagri.
Gracias tambin a los profesores del departamento de Ingeniera de Minas por estos aos de
aprendizajeydisposicin.
AJuanitaVergaraporsusimpatayayudaenlostrmitesenestosaoseneldepartamentode
IngenieradeMinas.
FinalmenteaAntofagastaMineralspordarmelasfacilidadesparalarealizacindeestamemoria
y porque siempre pusieron a mi disposicin la informacin necesaria. Especialmente a Esteban Acua
quemeacompaalolargodetodoelproyecto.
iii
NDICE
1INTRODUCCIN...........................................................................................................................................1
1.1Introduccin.........................................................................................................................................1
1.2Motivacin............................................................................................................................................2
1.3Objetivos..............................................................................................................................................2
1.3.1ObjetivoGeneral...............................................................................................................................2
1.3.2ObjetivosEspecficos.........................................................................................................................3
1.4Alcances................................................................................................................................................3
2ANTECEDENTES...........................................................................................................................................4
2.1ModelamientodeRecursosGeolgicos...............................................................................................4
2.1.1TiposdeYacimientos.....................................................................................................................6
2.1.2Unidadesgeolgicas......................................................................................................................6
2.2Conceptosbsicosdegeoestadstica...................................................................................................8
2.2.1FuncinAleatoria..........................................................................................................................8
2.2.2Momentos.....................................................................................................................................9
2.3MtodosdeEstimacinLocal...........................................................................................................10
2.4MtodosdeSimulacin.....................................................................................................................11
2.4.1Modelosdefuncionesaleatorias...............................................................................................13
2.4.2ModeloMultigaussiano(leyesminerales).................................................................................13
2.4.3ModelosdeVariablesCategricas(unidadesgeolgicas).........................................................14
2.4.4CriteriosdeValidacin...............................................................................................................15
3METODOLOGA.........................................................................................................................................17
4CASODEESTUDIO....................................................................................................................................22
4.1Presentacindelyacimiento.............................................................................................................22
4.2Presentacindelosdatos.................................................................................................................23
4.3Estudioexploratorio..........................................................................................................................25
4.4.ModelamientodeUnidadesGeolgicas..............................................................................................32
4.4.1AnlisisVariogrfico.......................................................................................................................34
4.4.2Probabilidadeslocalesdeocurrenciadeunidadesgeolgicas......................................................37
4.4.3SimulacinSecuencialdeIndicadores...........................................................................................39
4.5.Modelamientodeleyes........................................................................................................................44
iv
4.5.1AnlisisVariogrfico.......................................................................................................................44
4.6.Procesamientoderesultados...........................................................................................................59
4.7ComparacinconModelodeKriging................................................................................................62
5CONCLUSIN............................................................................................................................................67
6REFERENCIAS............................................................................................................................................68
7ANEXOS....................................................................................................................................................69
Anexos1:ProbabilidaddeOcurrenciadeunidadgeolgica...................................................................69
CdigoMATLAB...................................................................................................................................72
Anexos2:SimulacindeLeyes................................................................................................................73
Anexos2.1:CdigoMATLAB:AsignacindeModelosdesimulacindeLeyesaModelodeUnidades
Geolgicas:..........................................................................................................................................73
Anexos2.2:CdigoMATLABTransformacindebasededatosconunidadgeolgica,cobretotaly
cobresolubleyexportacindedatos:................................................................................................74
NDICE DE ILUSTRACIONES
Figura1:IlustracindeDominiosgeolgicos.................................................................................................6
Figura2:IlustracindeAlteraciones..............................................................................................................7
Figura3:IlustracindeMineralogas.............................................................................................................7
Figura4:comparacindeperfiles,leyesreales,leyesestimadasporkrigingyleyessimuladas...............11
Figura5:Metodologa.DiagramadeFlujos................................................................................................21
Figura6:Ubicacindezonadeestudio......................................................................................................22
Figura7:Ilustracindelyacimiento.ZonasdexidosCrisocola,xidosNegros,Lixiviados,xidosVerdes
eHipgeno..................................................................................................................................................25
Figura8:Mapasdemuestrasdeexploracin.VistasIsomtrica,Planta,PerfilesEsteCotayPerfilNorte
Cota.............................................................................................................................................................26
Figura9:Histogramasdeleyesdecobretotalycobresoluble(sondajesnodesagrupados)....................28
Figura10:Histogramasdesagrupadosdeleyesdecobretotalycobresoluble.........................................28
Figura11:CurvasTonelajeLeyparalossondajesdesagrupados,paracobresolubleytotal....................29
Figura 12: Grfico de dispersin: cobre soluble vs cobre total. La recta en rojo representa la regresin
lineal............................................................................................................................................................30
Figura13:Grficodedispersin:cobreinsolublevscobresoluble............................................................31
Figura14:ModeloGeolgicodeterminstico,VistaPlanta(construidoporAMSA)...................................32
Figura15:ModeloGeolgicodeterminstico,VistaPerfilEsteCota(construidoporAMSA)...................32
Figura16:ModeloGeolgicodeterminstico,VistaPerfilNorteCota(construidoporAMSA)..................33
Figura17:Variogramasexperimentalesymodeladosparaestrilymineraleslixiviados.........................35
Figura18:Variogramasexperimentalesymodeladosparamineralhipgenoyparciallixiviado..............36
Figura19:Variogramasexperimentalesymodeladosparamineralessuprgenosymixtos.....................36
Figura20:Variogramasexperimentalesymodeladosparaxidosverdesyxidoscrisocola...................36
Figura21:Variogramasexperimentalesymodeladosparaxidosnegrosylixiviadosconcobre.............37
Figura22:Imagenprobabilidaddeocurrenciadeestril...........................................................................38
Figura23:Imagenprobabilidaddeocurrenciademineraleslixiviados......................................................38
Figura24:ModelodeBloquesdeterminstico.VistaPlanta(EsteNorte)..................................................39
Figura25:ModelodeBloquesprobabilstico,realizacinn1.VistaPlanta(EsteNorte)..........................40
Figura28:ModelodeBloquesdeterminstico.VistaPerfiles(NorteCotayEsteCota)............................41
Figura29:ModelodeBloquesprobabilstico,realizacinn1.VistaPerfiles(NorteCotayEsteCota)....42
Figura 32: Variogramas experimentales y modelados para xidos verdes (Cobre insoluble y cobre
soluble)........................................................................................................................................................45
Figura 33: Variogramas experimentales y modelados para xidos crisocola (Cobre insoluble y cobre
soluble)........................................................................................................................................................46
Figura34:ModelosdeleyespuntualesparaunidadgeolgicaLixiviados.VistasenPlantaCobreinsoluble
ySoluble......................................................................................................................................................46
vi
Figura 35: Modelos de leyes puntuales para unidad geolgica xidos Verdes. Vistas en Planta Cobre
insolubleySoluble......................................................................................................................................47
Figura 36: Modelos de leyes puntuales para unidad geolgica xidos Crisocola. Vistas en Planta Cobre
Figura 37: Modelos de leyes rebloqueadas para unidad geolgica Lixiviados. Vistas en Planta Cobre
Figura38:ModelosdeleyesrebloqueadasparaunidadgeolgicaxidosVerdes.VistasenPlantaCobre
Figura 39: Modelos de leyes rebloqueadas para unidad geolgica xidos Crisocola. Vistas en Planta
CobreinsolubleySoluble............................................................................................................................48
Figura40:Modelosdebloquessimulados(Sim1).VistasenPlanta,cobresolubleytotal........................49
Figura43:PromedioSimulaciones.VistasenPlanta,cobresolubleytotal...............................................50
Figura44:VistasKriging.VistasenPlanta,cobresolubleytotal................................................................50
Figura45:Modelosdebloquessimulados(Sim1).VistasPerfilEsteCota,cobresolubleytotal..............51
Figura48:PromedioSimulaciones.VistasPerfilEsteCota,cobresolubleytotal......................................52
Figura49:VistasKriging.VistasPerfilEsteCota,cobresolubleytotal......................................................52
Figura50:Modelosdebloquessimulados(Sim1).VistasPerfilNorteCota,cobresolubleytotal............52
Figura53:PromedioSimulaciones.VistasPerfilNorteCota,cobresolubleytotal...................................53
Figura54:VistasKriging.VistasPerfilNorteCota,cobresolubleytotal....................................................54
Figura55:HistogramasSondajesdesagrupados.Cobresolubleycobretotal,xidosVerdes..................56
Figura56:Histogramassimulacin1.Cobresolubleycobretotal,xidosVerdes....................................56
Figura59:HistogramasSondajesdesagrupados.Cobresolubleycobretotal,xidosCrisocola...............57
Figura60:Histogramassimulacin1.Cobresolubleycobretotal,xidosCrisocola................................58
Figura63:CurvaTonelajeLey(cobresoluble)paratodoelyacimiento.....................................................59
Figura64:CurvaTonelajeLey(cobresoluble)paralazonadexidosVerdes...........................................60
Figura65:CurvaTonelajeLey(cobresoluble)paralazonadexidosCrisocola.......................................61
Figura66:CurvaTonelajeLey(cobresoluble)paralazonadexidosVerdes...........................................63
Figura67:CurvaTonelajeLey(cobresoluble)paralazonadexidosCrisocola.......................................64
Figura68:CurvaTonelajeLey(cobresoluble)paraeltotaldelyacimientosimplificado...........................65
vii
NDICE DE TABLAS
Tabla1:InventariodeSondajes..................................................................................................................23
Tabla2:Estadsticasbsicasdelosdatosnodesagrupados,separadosporunidadgeolgica.................27
Tabla3:Estadsticasbsicasdelosdatosdesagrupados,separadosporunidadgeolgica.......................27
Tabla4:CantidaddeBloquesyporcentajesparacadaunidadgeolgica..................................................34
Tabla5:Parmetrosdeclculodevariogramasexperimentales...............................................................35
Tabla6:Validacinsimulaciones.Proporcionesdeunidadesgeolgicasenlassimulaciones...................44
Tabla7:Parmetrosdeclculodevariogramasexperimentales...............................................................45
Tabla8:ValidacindeSimulacionesrespectoaSondajesdesagrupados.Casocobresoluble..................54
Tabla9:ValidacindeSimulacionesrespectoaSondajesdesagrupados.Casocobretotal......................55
Tabla10:ValidacindeSimulacionesrespectoalmodelodeKriging.Casoscobresolubleytotal...........55
Tabla11:RangosTonelajes,Leyesmediasycantidaddemetal.Totaldelyacimiento,casoCuS..............60
Tabla12:RangosTonelajes,Leyesmediasycantidaddemetal.xidosVerdes,casoCuS.......................61
Tabla13:RangosTonelajes,Leyesmediasycantidaddemetal.xidosCrisocola,casoCuS....................62
Tabla13:RangosTonelajes,Leyesmediasycantidaddemetal.xidosCrisocola,casoCuS....................62
Tabla14:RangosTonelajes,Leyesmediasycantidaddefinomodelossimulados(simplificados)ymodelo
kriging.xidosVerdes,casoCuS.................................................................................................................63
Tabla 15: Rangos Tonelajes, Leyes medias y cantidad de metal modelos simulados (simplificados) y
modelokriging.xidosCrisocola,casoCuS...............................................................................................64
Tabla16:RangosTonelajes,Leyesmediasycantidaddemetalmodelossimuladosymodelokriging.Total
Yacimiento,casocobresoluble...................................................................................................................66
viii
1 INTRODUCCIN
1.1 Introduccin
Lagrandemandaglobaldemetalesestosltimosaoshaprovocadounfuerteaumentoen
lospreciosdeestos,permitiendolaaperturayexistenciademltiplesproyectosentodoelmundoyen
particularenpasesmineroscomoChile.Estosdesafosrequierendemayorprecisincadada,quese
garantice a los inversionistas la recuperacin de su capital al menor plazo. Para lograrlo se necesita
comenzarconmodelosmineros,enparticulardelyacimientoestudiado,quecuantifiquencadaunode
susatributosdelamejormaneraposible,tantoparaleyesdeelementosdeinters,litologaspresentes,
caractersticasgeometalrgicas,entreotros.
Comnmente despus de la etapa de exploracin se realiza una evaluacin de recursos, a
partir de la toma de muestras, como por ejemplo, una campaa de sondajes. Una vez obtenida, se
cuantifica los atributos presentes considerando adems su ubicacin espacial. Posterior a esto, es
comnqueseutilicentcnicasgeoestadsticasdeestimacinomodelamientoderecursos,talescomoel
kriging,elcualconsisteenunainterpolacindedatosquesueledarunaimagensuavizadadelarealidad
del yacimiento, o simulaciones, las que basadas en la teora de funciones aleatorias buscan crear
escenariosverosmilesquereproducenlavariabilidadespacialdelosatributosdeintersdelyacimiento.
Seimponequelosvaloresconocidosenlossitiosdemuestreoseanreproducidosenestosmodelos,es
ascomosehabladesimulacincondicional.
Dadasusimplezaeslgicoquelaherramientakrigingseamsutilizadaenlaindustriahoy
en da. Sin embargo las simulaciones condicionales han ganado espacio gracias a los avances
tecnolgicos que permiten tener resultados en menor tiempo, adems de que por sus caractersticas
otorgan otro tipo de informacin que el kriging, como lo son los estudios de la variabilidad de los
atributos,losanlisisderiesgosodeincertidumbre,entreotrosaspectos.
Un factor importante de estudiar y sobretodo en yacimientos de minerales exticos, es la
influencia de las distintas mineralogas en los valores de leyes, los lmites entre estas unidades y la
incertidumbre que se tiene en los tonelajes, pues es donde se encuentra actualmente el mayor error
entrelasestimacionesylosresultadosobtenidosenlaexplotacinmisma.
De este modo es de bastante utilidad simular las unidades geolgicas, adems de las leyes
presentes de un yacimiento. Para ello, se puede utilizar la simulacin secuencial de indicadores, en la

cualsecodificaenvariablebinariacadaunadelasunidadesgeolgicas.Asimismo,paralasimulacinde
variablescontinuas,enparticularlasleyesminerales,sesueleemplearelmodelomultigaussiano,elcual
corresponde a un modelo de funcin aleatoria caracterizado por una distribucin espacial
multigaussiana. A partir de estos, se pretende caracterizar la variabilidad espacial de leyes, as como
cuantificar la cantidad y calidad de recursos considerando adems la incertidumbre presente en las
unidadesgeolgicas.
Este trabajo pretende reproducir algunos atributos geolgicos de un yacimiento tipo extico
ubicado enlascercanas deSierra GordaenlaRegindeAntofagasta,elcualespartede unproyecto

queseencuentraensufasedeingenieradeperfilyhasidoestudiadosloconmtodosconvencionales.
1.2 Motivacin
Esnecesariounrespaldo,mediantesimulaciones,delosmodeloscreadosenbaseamtodosde
estimacinporkriging.
Los mtodos de estimacin en la actualidad no proporcionan la informacin necesaria para
describir adecuadamente el comportamiento de los atributos de inters, tales como leyes, en los
yacimientos mineros, debido a que entregan valores suavizados que no reproducen la variabilidad
espacialdelosvaloresreales.
Adems, siendo el yacimiento en cuestin de tipo extico, tiene que estudiarse en detalle los
lmitesdeunidadesgeolgicas,dadasurelevanciaencuantoalascaractersticasgeometalrgicas.
1.3 Objetivos
1.3.1 Objetivo General
Elobjetivogeneraldeestetrabajoconsisteenmodelarlaincertidumbreenlosrecursosdeun
yacimientotipoextico.
1.3.2 Objetivos Especficos
Dentrodelosobjetivosespecficosseencuentran:
Modelarincertidumbreenlasunidadesgeolgicas.
Modelarincertidumbreenleyesdecobretotalycobresoluble.
Validarlosmodelosdeincertidumbre.
Determinarcurvastonelajeley.
Compararmodelosconvencionales(krigingymodelogeolgico)vssimulaciones.
1.4 Alcances
Se dispone de una base de datos perteneciente a una campaa de sondajes de un yacimiento

ubicado en la Regin de Antofagasta, Chile. Este yacimiento es de tipo prfido cuprfero rodeado de
mineralizacinextica,ysehaestimadoutilizandoelmtodokrigingdeindicadoresparasusunidades
geolgicasykrigingordinarioparasusleyesdecobretotalycobresoluble,tenindoseastambinun
modelodebloques.
El estudio considera la evaluacin de los recursos de cobre total y cobre soluble utilizando
simulacin condicional, en este caso con el modelo multigaussiano. Se tomar el algoritmo secuencial
dado su rapidez. Adems se considerarn especialmente las variables geolgicas que es donde se
encuentra la mayor incertidumbre, por lo que se deber definir los lmites entre nueve unidades
geolgicas.
Se realiza una simplificacin de la zona del yacimiento a modelar, tomndose las zonas con
mayor variabilidad como prioritarias y dejndose de lado zonas profundas de mineralizacin primaria.
Estodadoeltiempodeclculoylaimposibilidadtcnicadelmanejodedatos.
Aunque se tienen anlisis de compuestos consumidores de cido como lo son: CO3, aluminio
soluble,clorosoluble,entreotros,losensayosdeconsumodecidoyanosehacendebidoaquenose
hanobtenidobuenosresultados.
2 ANTECEDENTES
2.1 Modelamiento de Recursos Geolgicos
Actualmente los yacimientos que afloran a la superficie son muy escasos, resultando la
interpretacingeolgicamuchomscomplejadadaladificultaddeobtenerinformacin.
Las tomas de muestras se realizan utilizando sondajes, estos consisten en perforaciones de
pequeo dimetro y gran longitud (hasta 1.200 m), que se efectan para alcanzar zonas inaccesibles
desdelasuperficie.Lastcnicasmsutilizadasenlaactualidadsonlaperforacinconrecuperacinde
testigos(diamantina)ylarecuperacindeldetrito(airereverso).Paralaprimera,seutilizaunatubera
engastadaendiamantesenlapuntaocorona,obtenindoseuncilindroderocadeundimetroentre
dosycincopulgadas.Asimismolasegundaserealizaconunaherramienta(tricono)quevatriturandola
roca,laquepermiteobtenertrozosdehasta1cm.
Lasmuestrasobtenidasapartirdelossondajesgeneralmenteseextraenadistintosoporte,es
decir,seobtienenlosdatosmedidosparamuestrasdedistintos tamaos,porloqueesnecesariauna
etapa de compositacin, en la que se fija un tamao determinado, para no mezclar compsitos de
distintossoportesquenoseanconcordantesentres.Engenerallascaractersticasmedidasson:
Litologas
Alteraciones
Leyesdemineralesdeinters
Porcentajesdeimpurezas
Recuperacionesmetalrgicas
Densidades.
Apartirdeestascaractersticas,esposiblecrearmodelosanalizandolasplantasyseccionesdelos
yacimientos, agrupando tendencias de datos, en donde se generan interpretaciones espacialmente
consistentes, acorde a la conceptualizacin geolgicagentica del yacimiento, entre otras
caractersticas.Deestemodo,sepuedencreartriangulacionesoslidostridimensionalesquerespeten
las interpretaciones en secciones, plantas e interceptos de sondajes. Esto es recomendable para
caracterizar volmenes en cuerpos de geometra compleja. Asimismo es posible crear modelos
geolgicos en que por ejemplo, se agrupen zonas por concentraciones de leyes econmicas o por
litologasyalteracionesqueconstituyanunidadesgeolgicas,comoseveenestecasoenestudio.
4
Entrelasdificultadesquesepuedenencontrarestn:
Tipodelmitespresentes:duros,blandos,transicionales
Incertidumbreenlaextensindelasunidades
Incoherenciasentredatosymodelogeolgicointerpretado
Discretizacinenbloques(ej.:paravetasangostas)
El estudio variogrfico es una herramienta bsica utilizada por los gelogos y geoestadsticos que
permitetenerunaintegracinentrelageologayestadstica.Entresusprincipalesfinalidadesestlade
confirmarladistribucindeleyesinterpretadaatravsdelageologa.
Otro de los temas relevantes es la optimizacin de la malla de muestreo, tpico que ha sido
estudiado mucho tiempo por gelogos y geoestadsticos. Se debe tener en consideracin si es que la
informacindisponibleesdeexploracin,esdecir,sindatosmuestreadospreviosdisponibles,casoenel
quesedebepartirconunagrillamuygrandeeirrellenandostaapartirdelainformacingeolgicay
devariogramas.Ademstambinsedebedistinguirentrelaexploracinenlascercanasdeunaminao
lugar explorado previamente. As se puede considerar distintos tamaos de grillas para ver la que se
ajustamejorparalaexploracin.Tambinesposibleaplicarsimulacionescondicionalesparavercules
la precisin de las mediciones de las caractersticas de inters como tonelaje recuperable, contenido
metlico,leyesmedias,entreotrosparmetros.
Laeleccindelosdominiosounidadesgeolgicasesotrodelostemasrelevantesaconsiderar.
Estosdominioscorrespondenazonasestadsticaygeolgicamentehomogneas.Sedistingueentredos
tiposdedominios:
Dominios definidos por geologa: Con bordes duros, basados en el criterio geolgico como
litologa,mineraloga,entreotros.Estosdominiosnonecesariamenteestncorrelacionadoscon
las leyes. A travs del estudio variogrfico se puede reagrupar los dominios que muestran
comportamientossimilaresytransicionesgradualesenlasleyes.
DominiosdefinidosporLeyes:Utilizadosparadiferenciarentreloqueesmineralylastre.
2.1.1 Tipos de Yacimientos
Existendistintostiposdeyacimientosdefinidoscomnmenteporsusprocesosgeolgicos,entre
loscualesdestacaremos,dadalaimportanciaenesteestudio,losprfidoscuprferosylosyacimientos
demineralessuprgenos.
PrfidoCuprfero:Depsitodebajaleydecobrequesiempreestasociadoastocks,peropuede
estar en esquistos, calizas silicificadas y rocas volcnicas. Los minerales cuprferos tpicamente
estn en granos diseminados y/o en vetillas en un gran volumen de roca, superior en algunos
casos a las 1000 millones de toneladas con leyes de cobre entre 0.5 y 1%, adems de otros
metales.
YacimientosExticos:Depsitosoriginadospormigracinlateralasociadaaprfidoscuprferos.
Generalmente producto del proceso de enriquecimiento secundario que ha afectado a los
sistemasporfricosexhumadosenambientesridosasemiridos.Lamineralizacindexidosde
cobre generalmente ocurre cementando gravas aluviales y en menor grado recubriendo los
planosdefracturasdelasrocasbasalesdondedescansanestasgravas.
2.1.2 Unidades geolgicas
Los volmenes en donde las variables a estudiar tienen un comportamiento que tiende a la
homogeneidad se definen como Unidades Geolgicas (UG). Estos dominios abarcan mltiples
caractersticas a considerar, tales como litologas, alteraciones, mineralizaciones, estructuras,
caractersticasmetalrgicas,entreotrasvariables.
Figura1:IlustracindeDominiosgeolgicos.

Figura2:IlustracindeAlteraciones.
Figura3:IlustracindeMineralogas.
Para determinar las zonas minerales debe existir una interpretacin geolgica, en donde haya
una conceptualizacin gentica y fenomenolgica del yacimiento en estudio, adems de considerar el

ordendeeventosdemineralizacin.
Losdominiosgeolgicosdeestimacinsedebenagrupardeacuerdoacaractersticasgeolgicas
relevantes(dependiendoelusoqueseledaralmodelo),ademssedebetomarencuentaelnmero
de datos razonable para inferir los parmetros estadsticos de la poblacin y los perfiles de contacto
entre unidades, es decir, el comportamiento de las variables consideradas al cruzar una frontera
geolgica.
Unodelosproblemasmscomunesalosquesevenenfrentadoslosgelogoseingenierosesa
ladiferenciaentrelosvaloresestimadosyrealesenloscontactosentredominios,estodebidoaquelas
fronteras modeladas comnmente son ms suaves que las reales. Para reducir esta incertidumbre se
debeverificarlaconsistenciaentrelainformacinestimada/modeladaylosdatosdisponibles.Adems
7
se pueden realizar ms sondajes focalizados para tener ms y mejor informacin. Otra alternativa es
considerardistintosescenarios,yaseadefinidosporelgelogooporsimulacionesestocsticas.
2.2 Conceptos bsicos de geoestadstica
LaGeoestadsticasedesarrolloriginalmenteparadeterminarlarelacinrecurso/reservadeun
yacimientomineral.Sedefinecomolaaplicacindelateoradevariablesregionalizadas,queconsiste
enunenfoqueestadsticoalaestimacinquepresentaalgngradodedependenciaespacialentrelas
variables,enparticularleyes,delosdepsitosminerales.
Dependenciaespacialserefiereaquelasvariables(leyes)medidasparadosmuestrascercanas
sonprobablementesimilares.Enzonasdealtasleyes,debiesenserambosdealtaleyyenzonasdebajas
leyes,anlogamenteambosdebiesenserdebajaley.
Las variables regionalizadas consisten en una funcin numrica que represente un atributo en
cada ubicacin en el espacio. Es difcil determinarlas completamente y con exactitud dada su

variabilidad.Comnmentesedenotacomoz(x)aunvalordelavariableregionalizada,dadoxcomola
posicinenelespacio.Lasleyesdemineralessonunejemplodevariableregionalizada.
2.2.1 Funcin Aleatoria
Unafuncinaleatoriaesunadescripcinprobabilsticadeladistribucinespacialdeunavariable
regionalizada. Es un medio til en la geoestadstica ya que incorpora el concepto de componentes

aleatoriosyestructuradosalavariabilidadespacialdelavariable,comoporejemplolaley.
Se interpreta cada valor de la variable regionalizada z(x) como una realizacin de una variable
aleatoriaZ(x).Elconjuntodevariablesaleatorias{Z(x),xR3}constituyeunafuncinaleatorialaquese
caracterizaporunadistribucinespacial.Dadoungrupodepuntos(x1,,xn):
n N*
z1,,zn R, x1,,xn DR3
F(z1,,zn;x1,xn)=Prob(Z(x1)<z1,,Z(xn)<zn)
Existen algunas hiptesis simplificadoras que son utilizadas para determinar la distribucin
espacial.Estasson:
Hiptesisdeestacionaridad:Ladistribucinespacialesinvarianteportraslacinenelespacio,lo
que quiere decir que se asume cierta homogeneidad en las propiedades de la variable
regionalizadadentrodeldominio.
Hiptesis de Ergodicidad: Es posible hacer una aproximacin de las esperanzas matemticas

(mediassobrelasrealizaciones)porunpromedioenelespacio.
2.2.2 Momentos
Los momentos son parmetros sintticos que resumen la distribucin espacial de una funcin
aleatoria.Losmomentosmsrelevantesson:
Esperanza:Engeneral,laEsperanzadeunafuncinaleatoriaZdependedelpuntoxconsiderado.
Sedenominausualmentecomom(x)yaquerepresentalamediaalrededordelaquesedistribuyenlos
valoresdelasdistintasrealizaciones.
E[Z(x)]= m(x)
Varianza:LavarianzaesunamedidadedispersindelavariablealeatoriaZ(x)entornoalvalor
esperado.Asimismoseutilizaladesviacinestndarquecorrespondealarazcuadradadelavarianza.
var[Z(x)]= E{[Z(x)m(x)]2}
Covarianza:Lacovarianzaesunamedidadedispersinconjuntadedosvariablesaleatorias.
cov[Z(x1),Z(x2)]=E[Z(x1)xZ(x2)]m(x1)xm(x2)
Variograma:Elvariogramaesunaherramientaquepermiteanalizarelcomportamientoespacial
de una variable sobre un rea definida, obteniendo como resultado la dispersin entre dos datos a
diferentesdistancias.
(x1,x2)=var[Z(x1)Z(x2)]/2
El variograma es la principal medida de similitud utilizada con fines geoestadsticos, entre otras cosas
permite detectar direcciones de anisotropa, variabilidad con la distancia, correlacin espacial, entre
otros aspectos. Bajo la hiptesis de estacionaridad, la esperanza y la varianza son constantes (no
dependen del punto x), mientras que la covarianza y el variograma slo dependen de h=x1x2 (vector
separandodospuntos).
2.3 Mtodos de Estimacin Local
Existen distintos mtodos que buscan predecir el valor de la variable regionalizada utilizando
para ello los datos circundantes. Asimismo es posible predecir el valor promedio de la variable en un
soportemayorqueelsoportedelosdatos (porejemplo,losbloquesdeseleccinminera).
Entrelasmetodologasmscomunesdeestimacin,seencuentran:estimadordelvecinoms
cercano, inverso de la distancia y kriging. Este ltimo resulta ms preciso que los otros, dado que
minimizaelerrordeestimacin.
El trmino Kriging se aplica a un rango de mtodos de estimacin (puntual o de bloques) que
dependendelaminimizacindeloserroresdeestimacin,definidoscomnmenteporelprocedimiento
demnimoscuadrados.Seconocecomoelmejorestimadorlinealinsesgado,oporsusiglaBLUE(Best
LinearUnbiasedEstimator).Estoestdadoporlassiguientesrestricciones,
Linealidad:Estimadoresunacombinacinlinealdelosdatosubicadosenunavecindad.
Insesgo:Elvaloresperadodelerrordebesercero.
MejorEstimador:Elobjetivoesminimizarlavarianzadelerrorcometidoenlaestimacin.
Adiferenciadelosestimadorestradicionales,consideranoslolaconfiguracingeomtricade
datos, sino tambin su continuidad espacial (variograma). Tambin cuantifica la precisin de la

estimacinapartirdelavarianzadekriging.
Entre los distintos mtodos que se incluyen en el trmino general Kriging, destacan el kriging
simple(mediaconocida),krigingordinario(mediadesconocida)yelkrigingdeindicador(paravariables
categricas).Lasprincipalespropiedadesdelkrigingson:
InterpolacinExacta:Laestimacindeunsitiocondatoobtieneelmedidoenesesitio.
Redundancia: El kriging tiene en cuenta la redundancia de los datos. Muchos datos agrupados
tienencasielmismopesoqueundatoenelcentrodeesteagrupamiento.
Suavizamiento:Ladispersindelosvaloresestimadosesmenorqueladispersindelosvalores
verdaderos.Estoestdadoporquelospromediosobtenidosparacadaestimacintiendenasub
estimarvaloresaltosyasobreestimarvaloresbajos(porregresin).
10
Insesgo:Elkrigingesinsesgadoanivelglobal,sinembargopuedecontenersesgocondicional,el
cualsevereducidotomandomuchosdatosenlavecindaddekriging,sinembargoaumentala
suavizacin.
La Varianza de Kriging slo depende de la configuracin geomtrica de los datos y su continuidad

espacial.Noconsideralosvaloresdelosdatos,porloquenosereflejaelllamadoefectoproporcional,es
decir,nosereflejalamayordispersinqueocurregeneralmenteenzonasdealtasleyes.
2.4 Mtodos de Simulacin
LosmtodosdeSimulacinentreganotroespectrodelproblemaypermitencorregiralgunadelas
deficienciasanterioresalahorademodelarlavariableregionalizada.
Simulacin en contexto minero significa imitacin de condiciones. Generalmente involucra un
intento de crear un arreglo de valores que reproducen la misma variabilidad real que la variable
regionalizada, as se tienen las mismas caractersticas estadsticas generales que los datos originales
(reproduccindehistograma,variograma,entreotros).Lafigura2exponeunejemplodeladiferencia
entre el kriging y una realizacin. Si bien ni el kriging ni la simulacin en este caso son convincentes
respectoalarealidad,claramentelasimulacindacuentadelavolatilidadadiferenciadelkriging.
Figura4:comparacindeperfiles,leyesreales(negro),leyesestimadasporkriging(rojo)yleyessimuladas(verde).
Laideadesimularsebasaenlageneracindeunaseriederealizacionesdeunamismafuncin
aleatoria, esto, siguiendo la lgica de que la variable regionalizada es una realizacin ms de esta
11
funcin.Cadaunaesunescenarioposibleypermitetenerunaideadelarealidadademsderealizarla
cuantificacindelaincertidumbre.
Es importante tener en cuenta por qu las simulaciones son necesarias cuando los datos y las
estimaciones existen. Entre otros usos, es posible por ejemplo, estudiar los escenarios ms y menos
favorables, hacer anlisis de riesgos y cuantificar incertidumbre en los valores desconocidos. Tambin
permiteadiferenciadelkriging,estimarsinsesgofuncionesnolinealessobrelavariable,porejemplo:
recursosrecuperablessobreunaleydecorte.
Sedistinguendostiposdesimulaciones:
Simulacincondicional:reproducelavariabilidaddelavariableregionalizadayademsrespeta
suvalorenlospuntosmuestreados,loqueentregaunaimagenrealista.
Simulacin no condicional: reproduce la variabilidad de la variable regionalizada sin tomar en

cuentalosdatosmuestreados(nolosimpone).
Seconsideranlossiguientesobjetivosparalasimulacin:
Elestudiodelacontinuidaddeleyes
Fronterasentreunidadesgeolgicaseincertidumbreensuposicin
Optimizacindelosplanesdemuestreoparaexploracinavanzada
Evaluacindemtodosdeestimacinderecursos/reservas
PlanificacinMinera
OptimizacindeMolienda
Anlisisderiesgofinanciero
Enresumen,losaspectosaconsiderardelproblemadesimulacincondicionalson:
Definirunmodelodefuncinaleatoria
Tenerherramientasparainferirsusparmetrosyvalidarlos
Construirrealizaciones
Condicionarlasrealizacionesalosdatosdisponibles
12
2.4.1 Modelos de funciones aleatorias
Existendostiposdeenfoquesparasimularfuncionesaleatorias:eldelosmodelosparamtricos
ynoparamtricos.
Los modelos no paramtricos buscan crear imgenes cuyas propiedades se asemejen a las
observadas con los datos disponibles (histograma, variograma, variogramas de indicadores), sin
especificar totalmente la funcin aleatoria. Un ejemplo es el algoritmo secuencial de indicadores. A
veces pueden presentar inconsistencias matemticas, en casos en que las propiedades de las
realizacionesdependandefactoresexternos,comoporejemploelnmerototaldesitiossimulados,la
configuracingeomtricadelosdatos,entreotros.
Paralosmodelosparamtricos,lafuncinaleatoriaquedadeterminadaporunnmeropequeo
deparmetros.Elmodelomsutilizadoeselmodelomultigaussiano,enesteladistribucinespacialque
caracterizalafuncinaleatoriaquedadeterminadacompletamenteapartirdelamediadelosdatosyde
sufuncindecovarianzaosuvariograma.
Paracasosnomultigaussianos,eldesarrollodemodelosparamtricoshasidomuyescaso,solo
siendo utilizado para el modelamiento de variables categricas, como son los casos de los modelos
plurigaussianoybooleano.
2.4.2 Modelo Multigaussiano (leyes minerales)
Se requiere transformar los datos originales a valores que tengan un histograma gaussiano
estndar,conmediaigualaceroyvarianzauno(aunquesepuedeimponerunavarianzadistinta).Este
paso se denomina anamorfosis gaussiana. La principal hiptesis del modelo se basa en que los datos
transformados siguen una distribucin multigaussiana. Esto significa que toda combinacin lineal
ponderadadesusvaloressigueunadistribucinnormal.
Elmodeloposeedospropiedadesinteresantes,entrelascualessetienequesecaracterizapor
susdosprimerosmomentos(mediayvariograma)ademsdequeelteoremadelmitecentralfacilitala
bsquedadelalgoritmodesimulacin,ademsproducemodelosdiseminados.Entrelaslimitacionesdel
modelo se encuentra que no reproduce patrones como conectividad, anisotropas locales ni
agrupamientodevaloresextremos.
Entrelosalgoritmosdesimulacinusadoshabitualmenteseencuentraelmtodosecuencial,de
descomposicin matricial (LU), espectral continuo y el de bandas rotantes. Los dos primeros mtodos
13
permiten tener simulaciones condicionales directamente. Para los otros se generan simulaciones no
condicionales,luegoseaplicaunkrigingparacondicionarlasaunconjuntodedatos.
Mtodo Secuencial Gaussiano
Elalgoritmoconsisteensimularelvalorenunsitioapartirdesudistribucincondicionalalos
datosdurosyvaloressimuladospreviamenteenpuntosprximos.
Elprocedimientogeneraleselsiguiente:
1. Seleccionarunconjuntodedatoscondicionantes.
2. Transformardatoscondicionantesenresultadosequivalentesnormales.
3. Desarrollarmodelosdevariogramasparalosdatostransformados.
4. Procederconlasimulacinsecuencialgaussiana.
5. TransformacinInversa.
6. Validarlasimulacin.
2.4.3 Modelos de Variables Categricas (unidades geolgicas)
Lasvariablesindicadorespermitencodificaratributoscategricosodiscretos,comoporejemplo
lasunidadesgeolgicas,litologas,umbralesdeleyes,etc.Entrelosmodelosymtodosdesimulacinse
encuentran:
ModeloGaussianotruncado
Modeloplurigaussiano
Mtodojerrquico
Mtodosecuencialdeindicadores
Mtodo Secuencial de Indicadores
Este algoritmo no requiere una distribucin gaussiana de datos, y usa kriging de indicadores
mltiples.Elprocedimientoessimilaralanterior,sinembargotienealgunasdiferencias:
1. Seleccionardatoscondicionantes
14
2. Seleccionar umbrales (UG, leyes de corte, litologas) y transformar a variable indicador (0

1)
3. Desarrollarvariogramasmodeladosparacadaindicador
4. Procederconlasimulacinsecuencial (DeutschandJournel,1998)
5. Validarlassimulaciones
Enestecaso,lasimulacinseleccionaalazarsitiosconkrigingdeindicadoresmltiples(MIK)usando
losdatosoriginalesypuntoscercanosyasimulados.Seseleccionaunnmeroaleatorioentre0y1yse
simulalosindicadoresenelsitiodeintersapartirdeladistribucinestimadaapartirdeMIK.
Se puede utilizar una vecindad mvil para tomar slo los datos circundantes que tienen ms
influencia. Se puede utilizar tambin las medias locales de cada indicador, que representan una
probabilidadapriorideocurrenciadelasdistintascategoras.Lasumadeestasprobabilidadesdebeser
igual a 1 y slo se tendr probabilidad de ocurrencia mayor que 0 en los dominios que estn
presentesenestavecindad.
2.4.4 Criterios de Validacin
Existe ms de un criterio de validacin de los distintos algoritmos de construccin de
realizaciones, estudiando en primera instancia la reproduccin en las realizaciones de las propiedades

estadsticasdelosdatosduros.
Serequierequeunnmeroconsiderablederealizacionestiendaaasemejarsealmodeloterico.
Unarealizacinenspresentadiscrepanciasconrespectoaestemodelo,estodebidoalasfluctuaciones
estadsticas.
Segn distintos autores, para validar una simulacin como mnimo se debe cumplir con lo
siguiente.
1. Reproduccindevaloresdedatosconocidos(condicionamiento).
2. Distribucinestadsticadeatributosdeinters.
3. Continuidadespacialcaracterizadaporelmodelodevariograma.
Asmismosedebeseguirlossiguientescriterios:
15
InspeccinVisual
Esnecesarioverificarquehayaconcordanciadedatos,esdecirzonasdealtasleyesparasectoresde
datosmuestreadosdealtasleyesyanlogamenteensectoresdebajaley.Existenherramientascomola
validacincruzadaquepermitencomparargrficamentelosvaloressimuladosconlosvaloresrealesde
basesdedatosdeexploraciones.Sepuedeversiexistesesgoglobalocondicional.
ReproduccindelHistograma
La distribucin univariable o el histograma debe tener caractersticas similares que el histograma

originaldesagrupadodelosdatos.
Se debe revisar la concordancia de las estadsticas principales como la media, mediana y varianza.
Ademssedebereproducirlaformadelhistogramaymantenerlosrangosdevaloresextremos.
Paratodaslasrealizacionesseesperaqueelpromediodelasmediastiendaalamediaobjetivo,aligual
quelamediadelasvarianzastiendaalavarianzaobjetivo.
ReproduccindelosVariogramas
Se puede hacer una comparacin entre el modelo terico y losvariogramasexperimentales de las

realizaciones.
16
3 METODOLOGA
El trabajo encargado por la empresa Antofagasta Minerals (AMSA) y que es tema de esta
memoria,consisteen unaaplicacinprctica degeoestadstica enunyacimientoextico,enlaquese

simulalasleyesdecobretotalycobresolubletomandoencuentalainfluenciadelosdistintosdominios
geolgicos presentes, los cuales tambin son simulados, a partir de un conjunto de datos reales
muestreados (sondajes). Estas simulaciones son comparadas con un modelo de kriging proporcionado
por la empresa como base, que adems cuenta con informacin del dominio geolgico estimado por
krigingdeindicadoresparacadaunodesusbloques.
Acontinuacinsedescribenlosprincipalespasosdelametodologaaseguir:
Anlisisdelabasededatos:
Estudio de los parmetros presentes: Identificadores de Sondajes, coordenadas UTM, largo de

compsitos,variablesgeolgicasmuestreadas,entreotras.
Seestableceobjetivosconlaempresa(AMSA).Considerandolaexistenciadepocainformacin
dealgunoselementosdeinters,talescomoleyesdeoro,plataydealgunasimpurezas,entre
otros,seseleccionadelabasededatoslasvariablesmsrelevantesaestudiar,descartndose
partedelainformacindadosupocainfluencia.Deestemodo,setomaencuentalossiguientes
parmetros:coordenadas(informacinespacial),unidadesgeolgicas,leyesdecobretotalyde
cobresoluble,entreotros.
Considerandoqueestabasededatosfueproporcionadaporlaempresa,seasumecomoexactos
losvalorespresentes.
Desplieguededatos:
Desplieguededatosdelossondajesparaidentificartendenciasenleyesyunidadesgeolgicas
presentes.
Desplieguedelmodelogeolgicoydekrigingproporcionadosporlaempresa,serealizancortes
en plantas y secciones del yacimiento. Se identifican las variables de mayor inters,
principalmenteunidadesgeolgicasconmayoresleyesdecobretotalycobresoluble.
Estudioexploratorio:
Tieneporobjetodescartardatosaberrantesyduplicados,esdeciraquellosquenoestnenlos
rangos habituales de valores, o que se encuentran espacialmente demasiado cercanos como
paraconsiderarsedistintos.
17
Serealizaundesagrupamientodelosdatosparacorregirelmuestreoirregular.
Se realiza el clculo de las estadsticas bsicas en base a los datos de sondajes, esto para
identificarlosrangosdeleyesparacadaunidadgeolgicaademsdelasdesviacionesestndary
medias de leyes de cobre total y soluble, todo con el objeto de determinar los dominios ms
interesantesdesdeelpuntodevistaeconmicoy,siesposible,hacerunasimplificacindelos
modelos,descartandozonasdepocointerseconmicoytcnico.
SimulacindeUnidadesGeolgicas:
Seanalizalosdistintostiposdesimulacindevariablescategricas.Principalmenteseconsidera
lasimulacinplurigaussianaademsdelasimulacindeindicadores.Considerandoladificultad
deejecutarlasimulacinplurigaussiana,debidoalaexistenciademltiplesvariables,seeligela
simulacindeindicadores.
Se toma cada una de las nueve unidades geolgicas adems de la unidad considerada como
estrilysetrasformalosdatosavariableindicador,esdecirconvalores0siesquenoexistela
unidad 1 en el caso en que exista. Una vez realizado esto, se tienen diez bases de datos
correspondientes a las nueve unidades geolgicas y al estril, todas con los datos de unidad
geolgicacodificados.
Se efecta el anlisis variogrfico para determinar las direcciones de anisotropa y para

establecerlosmodelosdevariogramasqueseutilizarnparalaconstruccindesimulacionesde
indicadores.
Para la simulacin de indicadores, se analiza los distintos programas eligindose la aplicacin

SISIM_LMdeGSLIB(Deutsch&Journel,1998).
Se construye una vecindad mvil a partir del modelo geolgico interpretado, de manera de
acotar a un conjunto de datos cercanos las probabilidades de existencia de las unidades
minerales. Es decir, cada bloque a simular toma en cuenta la informacin de los bloques
circundantes del modelo geolgico, disminuyndose la posibilidad de tener un modelo muy
voltil sin relacin con el modelo interpretado. Se toma en cuenta distintas alternativas para
tamaosdevecindad.
Encadabloque,unaunidadgeolgicatendrasociadaunaciertaprobabilidadentre0y1de
ocurrencia(promediodelasocurrenciasdelosbloquescircundantesenelmodelointerpretado).
Lasumadelasprobabilidadesdelasunidadesgeolgicasdebeser1.
Se mantiene la proporcin en peso de las unidades geolgicas establecidas en el modelo

interpretado, asumiendo que no hay sesgo. Esto se toma como entrada en el programa
SISIM_LM.
18
Seconstruyenrealizacionesinicialescomopruebaysepresentanalosgelogosdelaempresa,
una vez determinada las dimensiones ideales de la vecindad se da paso a la construccin del
restodelasrealizaciones.
Validacin:
Una vez obtenidas las realizaciones de unidades geolgicas, se hace una validacin previa a la
etapadesimulacindeleyesdecobretotalycobresoluble.Estaconstade:
Unainspeccinvisualdelosmodelossimuladosylaaceptacinporpartedelosgelogosque
respaldanesteestudio.
Lareproduccindehistogramas.
IndependenciadeVariablesaSimular:
Paracomenzarconlaetapadesimulacinsecuencialgaussianadeleyesdecobretotalycobre
soluble,lacualserealizautilizandoelprogramaSGSIMdeGSLIB,primeroseindependizalasvariables
asimular.Dadoqueelcobresolublesiempreesmenoroigualqueelcobretotal,esindispensableque
lassimulacionescumplanconestacondicin.Deestemodoserealizaelsiguientecambiodevariable,
Endonde,
.
.
Dado que el cobre insoluble es independiente del cobre soluble, y teniendo en cuenta que el
cobretotalespordefinicinlasumadeambos,seprocedeconlasimulacin.
Simulacionesdeleyesdecobresolubleycobreinsoluble:
Seconsideralasimulacindeunidadesgeolgicashechapreviamente.
Sepretendesimularmodelosdeleyesdecobresolubleycobreinsolubledelmismotamaoque
los modelos de unidades geolgicas para cada una de los diez dominios. Es decir, se realizan
veinte simulaciones para la construccin de cada realizacin que incluya las simulaciones de
cobresoluble,cobreinsolubleylasunidadesgeolgicascorrespondientes.
Sehaceunaeleccindelalgoritmodesimulacinautilizar.
PararealizarlassimulacionesmultigaussianascondicionalesseutilizaelprogramaSGSIM.
SellevaacabolatransformacingaussianamedianteelprogramaNSCOREdeGSLIB.
19
Se procede con el anlisis variogrfico de los datos gaussianos y el modelamiento de los

variogramas
SerealizalasimulacindeleyesmedianteelprogramaSGSIMdeGSLIB.
ConstruccindeBasesdeDatos:
Unavezobtenidaslassimulaciones,seejecutaunprogramadesarrolladoenMATLAB,elcual
tomatodasestasrealizacionesydeacuerdoalassimulacionesdeunidadesgeolgicas,paracadabloque
conunidaddeterminada,tomaelcdigodeUGyeligeculdelasbasesdedatosdeleyescorresponde,
cadaunapertenecienteaunaunidadyaunadelasdosleyes.Estoserealizaparacobresolubleycobre
insoluble.
Elmismoprogramadeterminaelcobretotal,comolasumadelcobresolublemselinsoluble,
tenindose los modelo de bloques completos con coordenadas UTM, unidades geolgicas, leyes de
cobretotalydecobresoluble.Pararealizarestosehaceelsiguientecambiodevariable(inverso),
Endonde,
.
.
Finalmentesevalidadeacuerdoalosmismoscriteriosusadosparalasimulacindeindicadores
de unidades geolgicas, luego se analizan los resultados obtenidos, estudindose las realizaciones
comparando las medias, histogramas, curvas tonelajeley y rangos obtenidos para las zonas ms
interesantes.
Acontinuacinsepresentaeldiagramadeflujoquemuestrademanerasimplificadacadaunade
lasetapasdelametodologautilizada.
20

Datos de Unidades
Geolgicas (UG) a
partirdeSondajes.
Modelogeolgico
interpretado
Indicadores
DatosdeLeyesde
CuSyCuTapartir
desondajes.
Mediaslocales
deIndicadores
Variogramas
Cobresoluble/
Cobreinsoluble
Transformadas
gaussianasporUG
Simulacinsecuencial
deindicadores
Realizaciones
deUG
Simulacindeleyes
(Cobresoluble/Cobre
insoluble)porUG
simulada
CombinacindeUGs
Modelocompletodel
yacimiento
ClculodeleydeCobre
total.
CuT=CuS+CuI
Validacinde
Realizaciones
ModelodeKriging
otorgadoporAMSA
ClculodeRecursos
Construccinde
CurvasTL
Comparacin
Modelos
Figura5:Metodologa.DiagramadeFlujos.
21
4 CASO DE ESTUDIO
4.1 Presentacin del yacimiento
La zona estudiada en este trabajo, se encuentra ubicada a unos 60 km al sur de la ciudad de
Calama, al Noreste del yacimiento Esperanza, en la comuna de Sierra Gorda, Regin de Antofagasta,
Chile.
Figura6:Ubicacindezonadeestudio.
Elreacorrespondeaunazonacubiertaporgravasyflujosaluvialesdondeexisteunintrusivo
diorticoconxidosdecobreyvaloresentre0.20.3%Cu.
22
Antofagasta Minerals realiz un levantamiento magnetomtrico terrestre sobre el rea

confirmando algunas anomalas ya detectadas en estudios anteriores por lo que se propuso una
campaa de perforacin en el ao 2007 (10 pozos aire reverso/4350 m) ejecutada durante enero y
febrero de 2008. Su resultado incluy la intercepcin de un sistema tipo prfido en una zona oxidada
significativa.
Entreeneroyabrildel2009fueronperforados29.676metros,conloquesecompletauntotal
de52.123metrosdesondajes,tomandoencuentalascampaasrealizadashastaesafecha.Posteriora
estoserealizamsde19.000mdesondajesparaSulfurosydescartetotalizndose71.959mperforados.
Lasiguientetabla(Tabla1)muestralacantidadymetrosperforados.
Tabla1:InventariodeSondajes
Los sondajes, que corresponden a muestras de aire reverso y diamantina, se usaron para
interpretar30seccionescada50my13plantascada30m.Conlasseccionesseconstruyunmodelo
3D,elqueasuvez,juntoalasmuestras,eslabasedelestudiogeoestadsticoquesellevaacabo.
4.2 Presentacin de los datos
La base de datos proporcionada para realizar este trabajo cuenta con 297 sondajes
compositadosa2metros,coninformacinde:
Collares
Desviaciones
Leyesdecobretotal
Leyesdecobresoluble
23
Leyesdeoro
Leyesdeimpurezas(talescomoCO3,NO3,CIS,AIS,FeS,MnSyMgS)
Recuperacionesmetalrgicas
Densidades
Mapeosdelitologa
Tipoymineralesalternacinmineralizacin
Labasededatosfuerevisadaafinesde2009encuantoaconsistenciaeintegridaddelosdatos
decoordenadas,desviaciones,leyesymapeosnuevosehistricos.Paraestosecomparlainformacin
digitalconlosdatosdurosalmacenados.
Tambin se cuenta con un modelo geolgico interpretado del yacimiento, el cul trae
informacin suavizada de las 10 unidades geolgicas delimitadas y que se utilizar como base para la
realizacindelasimulacindeindicadores.
Por ltimo se tiene una estimacin realizada por Kriging para las zonas de mayor relevancia
econmicadelyacimiento,tantoparacobretotalcomocobresoluble.
La definicin de unidades de estimacin proviene del anlisis geolgicoestadstico de la
combinacindeunidadesdelitologaalteracinmineralizacin.Enesteyacimientoenparticularyenel
alcancedeestetrabajo,setratadeunniveldeoxidadosdecobreenunsistemadeprfidocuprferoen
dondehaydosambientesprincipales,lazonadelprfidoconmineralizacindeatacamitabrochantita
(zonadebajaley)ylazonadeskarnconcrisocolaespangolita(zonadealtaleyconncleodemuyalta
ley).Noobstanteestageneralizacin,ambaszonasmineralessetraslapanunaalaotra.Adems,existen
niveles de oxidados negros semejantes en cobre total a los oxidados verdes pero con mayor
insolubilidad. La Alteracinmineralizacin hidrotermal y litologa, con certeza, determinan el
comportamientoyconcentracindecobre,elcualquedadefinidoconprecisinconeldelineamientode
lazonamineral,talcualseapreciaenlailustracin.
24

Figura7:Ilustracindelyacimiento.ZonasdexidosCrisocola(OXC),xidosNegros(OXN),Lixiviados(LIX),xidosVerdes
(OXV)eHipgeno.
Dentro de las unidades geolgicas presentes se destacan los xidos crisocola, zona de mayor
inters,adems,losxidosverdes,xidosnegros,losmineralesmixtosymineralessuprgenosposeen
leyesdecobretambindestacables,sinembargolostresltimoscontienenmenoscobresoluble,porlo
cualsehaceladistincinentreestasunidades.Elrestosonloslixiviados,lixiviadosconcobreyelmineral
hipgeno,esteltimomedidoconmuypocodatoscomoparatenerloenconsideracin.
4.3 Estudio exploratorio
Labasededatoscorrespondeavariascampaasdesondajesdeexploracinquecontieneleyes
decobretotal,cobresolubleyunidadesgeolgicas,lacualseproyectaenunreade2.500x2.500x500
metros en las coordenadas Este, Norte y Cota. Los collares estn dispuestos en una grilla regular, sin
embargolazonadexidospresentamayordensidaddemuestreo.Lamayorpartedelossondajesson
verticales,aunqueexistenalgunossondajesinclinadosenlaszonasmsapartadas(bordesdelmodelo).
Estossondajeshansidocompositadoscada2metros.
LabasededatosentregadahasidosometidaacontrolesdecalidadporpartedeAMSA,porlo
queseasumequesonmuestrasconvaloresexactos.
25

Figura8:Mapasdemuestrasdeexploracin.VistasIsomtrica(Izq.arriba),Planta(der.arriba),PerfilesEsteCota(izq.abajo)
yPerfilNorteCota(der.abajo).(Escala:Leydecobretotal).
Serealizaunestudioprevioparadeterminarlaexistenciadedatosaberrantesoduplicadosque
pudieseninduciraerrores.Dadoqueexistenvaloresdemostradosdeleyesdecobretotalysolubledel
ordende30%,seconsideraaberranteundatosobre50%,entendiendoqueesteesunyacimientocon
zonasdeleyesdecobremuyaltas.Ademsnoseconsideranlossiguientesdatos:
Quenocontenganelvalordecobretotal.
Quenocontenganelvalordeunidadgeolgica
Quecontengancobretotalmenorquecobresoluble(seconsideradatoerrneo)
Tomando en cuenta lo anterior, se descartan los datos que tengan alguna de las condiciones
anteriores (menos del 0.1%). Respecto a los datos duplicados, considerndose estos datos a una
distanciamenora40cmdeotro,noexisteninguno.
26
Se desagrupan los datos de sondajes con el objeto de corregir los posibles sesgos debido al
muestreoirregular.Paraestoseutilizaelmtododelasceldas,elcualdividelasmallamuestreadaen
paraleleppedos del mismo volumen y asigna ponderadores a cada dato dependiendo cuantos hay en
cadacelda.Seutilizanceldasde50x50x30m3.
Es posible as determinar las estadsticas bsicas para los datos desagrupados, considerando la
existenciadelosnuevedominiosgeolgicosdistintos.EnlaTabla2sepresentanlasestadsticasbsicas
para los datos de sondajes. En la Tabla 3 se presentan las estadsticas bsicas para los sondajes
desagrupados:
Tabla2:Estadsticasbsicasdelosdatosnodesagrupados,separadosporunidadgeolgica.
CUT
CUS
Datos
MinealesLixiviados
MineralHipgeno
NDatos
846
MineralSuprgeno
241
366
3139
1417
530
193
15019
28599
xidosVerdes
xidosCrisocola
xidosNegros
LixiviadosconCobre
Estril
TOTAL
Max
Media
D.S
Min
Max
Media D.S
(%) (%) (%) (%) (%) (%) (%) (%)

1407 0.00 1.16 0.09 0.10 0.00 1.15 0.06 0.07
5441 0.00 2.84 0.19 0.21 0.00 2.68 0.15 0.16
MineralParcial
Lixiviado
Mixto
Min
0.00 2.01 0.21 0.22 0.00 1.90 0.06 0.13

0.04
0.01
0.00
0.01
0.02
0.02
0.00
0.00
1.57
8.59
19.56
30.70
2.39
0.72
5.55
30.70
0.35
0.32
0.42
2.85
0.36
0.19
0.04
0.47
0.24
0.53
0.69
4.20
0.33
0.16
0.12
0.53
0.00
0.01
0.00
0.01
0.01
0.01
0.00
0.00
0.71
8.45
18.95
30.70
2.02
0.55
5.23
30.70
0.08
0.20
0.34
2.62
0.19
0.08
0.04
0.28
0.11
0.48
0.63
4.11
0.26
0.08
0.10
0.44
Tabla3:Estadsticasbsicasdelosdatosdesagrupados,separadosporunidadgeolgica.
CUT
CUS
Datosdesagrupados
MineralesLixiviados
MineralHipgeno
MineralParcialLixiviado
MineralSuprgeno
Mixto
xidosVerdes
xidosCrisocola
xidosNegros
LixiviadosconCobre
Estril
TOTAL
NDatos
Min
Max
Media
D.S
Min
Max
486
583
558
202
278
2698
1372
480
139
1398
8194
(%)
0.00
0.04
0.00
0.11
0.10
0.03
0.10
0.06
0.10
0.00
0.00
(%)
1.16
2.17
2.01
1.57
8.59
19.56
30.70
2.39
0.72
5.55
30.70
(%)
0.17
0.34
0.27
0.37
0.41
0.48
2.95
0.39
0.24
0.12
0.77
(%)
0.13
0.34
0.24
0.25
0.59
0.73
4.24
0.33
0.16
0.29
1.10
(%)
0.00
0.00
0.00
0.00
0.01
0.00
0.01
0.01
0.01
0.00
0.00
(%)
1.15
0.35
1.90
0.59
8.45
18.95
30.70
2.02
0.55
5.23
30.70
27
Media D.S
(%)
0.07
0.02
0.06
0.05
0.24
0.39
2.71
0.20
0.08
0.06
0.62
(%)
0.10
0.03
0.15
0.07
0.55
0.67
4.15
0.27
0.09
0.24
1.01
RpidamenteesposibledarsecuentadequelosdominiosdexidosVerdesyCrisocolasonlos
demayorintersdadolacantidaddedatospresentesencomparacinalresto.Ademsseobservaque
sonlasunidadesquepresentanmayoresleyesmediasparacobretotalycobresoluble.Enparticularlos
xidoscrisocolapresentanunaaltavolatilidadloqueesindicadordezonadealtasleyes,ademsdela
existenciadeleyesmediassobreel2.5%decobre.
A continuacin se muestra las distribuciones de leyes de cobre total y cobre soluble para los
sondajesoriginalesyparalossondajesdesagrupados.
Figura9:Histogramasdeleyesdecobretotalycobresoluble(sondajesnodesagrupados).
Figura10:Histogramasdesagrupadosdeleyesdecobretotalycobresoluble.
28
Lascurvastonelajeleyparalosdatosdesagrupadossonlassiguientes:
Figura11:CurvasTonelajeLeyparalossondajesdesagrupados,paracobresolubleytotal.
Cercadeun30%deloscompsitostienenambosdatosdecobretotalycobresoluble.Sibienlos
valores de cobre total existen en la base de datos para todas las ubicaciones, existen muchos datos
faltantesdecobresoluble.Estosseestimanmedianteunaregresinlineal.Estaregresinserealizadado
quelacorrelacinexistenteentreestasdosvariablesesdel99,2%.
Laregresinseconstruyeimponiendoqueparaloscasosenquecobretotales0,seobtenga
cobresoluble0paraevitarerrores.
Se obtiene la ecuacin
0.9429
y se completan
losvaloresfaltantes.
Sibiensepodranrealizarestimacionesdecobresolubleapartirdelcobretotalparacada
una de las unidades geolgicas a travs de regresiones lineales independientes , lo que
evidentemente mejorara la precisin, se realiza la simplificacin general, siendo los dominios de
sulfuroslosmsperjudicados menorcorrelacinentrecobretotalycobresoluble .Sibienafecta
losresultados,estosdominiossondemenorinterseconmico.
29

Figura12:Grficodedispersin:cobresolublevscobretotal.Larectaenrojorepresentalaregresinlineal.
Del grfico anterior se ve una relacin bastante lineal entre el cobre total y cobre soluble.
Ademsesimportantetenerencuentaqueelcobresolubleesmenoroigualalcobretotal.
Dado que es necesario simular estas dos variables, y tenindose presente la restriccin de
desigualdad,esnecesariohaceruncambiodevariablesparanotenerproblemascomounasimulacin
queentregueleyesdecobresolublemayoresquecobretotal.
Deestemodoseeligesimularlasleyesdecobresolubleycobreinsoluble,dondeesteltimoes
estadsticamenteindependientedelcobresoluble.Porlotantosehaceelsiguientecambiodevariable:
30
Elsiguientegrficomuestraquenoexistecorrelacinalgunaentreestasdosvariables.
Figura13:Grficodedispersin:cobreinsolublevscobresoluble.
Luego de simular los valores independientes de cobre soluble y cobre insoluble, se realiza el
cambiodevariableinversoparaobtenerlosvaloresdecobretotal,queseredefinircomolasumadelas
dos variables simuladas. Dado que el cobre insoluble es mayor o igual que cero, todos los valores de
cobretotalsernmayoresoigualesquelosdecobresoluble(quetambinesmayoroigualacero).
No hay que olvidar que este yacimiento tiene nueve dominios geolgicos distintos definidos
ademsdelestril,porloquenosepuedesimularlasleyesasumiendoqueexistesloundominioyque
en los lmites de cada unidad no hay discontinuidades. Deben realizarse las simulaciones de unidades
geolgicas y para cada dominio por separado deben realizarse las simulaciones de cobre insoluble y
cobresoluble.
31
4.4. Modelamiento de Unidades Geolgicas.
Adems de los sondajes, para realizar la simulacin de dominios se cuenta con el modelo
geolgico suavizado y un modelo determinstico (kriging) de leyes construido para zonas aisladas (de
mayorimportanciaeconmica)delyacimiento,ambosentregadosporAMSA.
Figura14:ModeloGeolgicodeterminstico,VistaPlanta(construidoporAMSA).
Figura15:ModeloGeolgicodeterminstico,VistaPerfilEsteCota(construidoporAMSA).
32

Figura16:ModeloGeolgicodeterminstico,VistaPerfilNorteCota(construidoporAMSA).
Dado la dificultad de realizar las simulaciones tanto de unidades geolgicas como de leyes,
debido a la gran cantidad de datos y la incapacidad computacional para procesarlos, se hace una
simplificacindelmodeloasimular.Paraesto,nosetomanencuentagranpartedelosdatosdemineral
hipgenopresentesenlabasedelyacimiento,90metrosquenorepresentanmuchainformacindado
laexistenciademuypocossondajesagranprofundidad.Tampocoseconsideranlosdatosdeestrilque
rodean a las unidades geolgicas que se encuentren a ms de 25 m de distancia de los dominios
presentes en el borde del yacimiento. Si bien se elimina gran parte del mineral hipgeno y estril del
modelo original (Modelo geolgico interpretado), siguen existiendo zonas significativas con ambas
unidadesminerales.
Deestemodoseobtieneunareduccinimportantededatos,porloquesehacemsfactiblela
reproduccindemsrealizacionesynosetomenencuentavaloresquenotienengranrelevancia.
Sibien,aprioriparecieraqueestasimplificacindisminuyelarelevanciadeestosmodelos,enla
actualidadlaszonasdescartadasnorepresentanmayorintersparalosestudiosqueseestnllevandoa
cabo.Elmineralhipgenorecinestsiendomuestreadoconmayorprecisinylamayorincertidumbre
se encuentra en los contactos entre unidades geolgicas, los que siguen estando presentes y son
modeladosenesteestudio.
Eldetalledelacantidaddebloquesparacadadominiopresenteenelmodelogeolgicosedaa
conocerenlasiguientetabla:
33
Tabla4:CantidaddeBloquesyporcentajesparacadaunidadgeolgica.
PorcentajedecadaUG
Bloques
Estril
275,325 62.50
Lixiviados
18,677
4.24
Hipgeno
102,362 23.24
Lix.Parcial
9,203
2.09
Suprgeno
1,200
0.27
Mixto
1,403
0.32
x.Verdes
24,656
5.60
x.Crisocola
5,384
1.22
x.Negros
1,799
0.41
Lix.ConCobre
487
0.11
Total
440,496
100
Lasdimensionesdecadabloquesonlassiguientes:
DimensinEsteOeste:12.5metros.
DimensinNorteSur:12.5metros.
DimensinCota:7.5metros.
4.4.1 Anlisis Variogrfico
Para comenzar con el anlisis variogrfico se debe hacer una transformacin de datos de
unidades geolgicas a variable indicador. Esto se realiza para cada unidad geolgica por separado
tenindosenuevebasesdedatosdistintas.
Se construyen los mapas variogrficos para cada unidad geolgica, determinando que las
anisotropasencontradassepuedenrepresentarendosvariogramas,unohorizontalomnidireccionaly
otrovertical.
Luegoseprocedeaconstruirlosvariogramasexperimentalesdeindicadoresparacadadominio,
conelpropsitodemodelarlacontinuidadespacialdecadaunodeellos.
34
As,porejemplo,paraelclculodelvariogramadeindicadorsetomarlosiguiente:
1siesx.Verde.
x.Verde=
0sino.(paratodoelrestodelasUG)
Sedefinenlossiguientesparmetros:
Tabla5:Parmetrosdeclculodevariogramasexperimentales
Acimut
Tolerancia
Angular
Dip
Tolerancia
Dip
Nmerode
Pasos
Largode
Paso[m]
DireccinHorizontal
90
22.5
40
DireccinVertical
90
90
22.5
40
Setomanalgunasalternativasdelargodepaso,finalmenteseeligelargodepasode4metros
dado que aumenta el suavizamiento del variograma para el caso vertical. Dado que los sondajes son
verticales (en su mayora), es lgico que los variogramas sean bastante menos difusos que para la
direccin horizontal, debido a que a lo largo del sondaje hay mayor continuidad que entre distintos
sondajes.
Acontinuacinsemuestralosvariogramasexperimentalesdeindicadoresgeneradosparatodas
las unidades geolgicas, adems se despliegan los modelamientos de cada uno. Para esto se utilizan
modelosanidadosesfricosyexponenciales.
Las lneas punteadas corresponden a variogramas experimentales y las lneas continuas a
variogramasmodelados.Elcolorazulrepresentaladireccinverticalyelnegroladireccinhorizontal.
Figura17:Variogramasexperimentalesymodeladosparaestrilymineraleslixiviados.
35
Figura18:Variogramasexperimentalesymodeladosparamineralhipgenoyparciallixiviado.
Figura19:Variogramasexperimentalesymodeladosparamineralessuprgenosymixtos.
Figura20:Variogramasexperimentalesymodeladosparaxidosverdesyxidoscrisocola.
36

Figura21:Variogramasexperimentalesymodeladosparaxidosnegrosylixiviadosconcobre.
Ademsdedistinguirseunadiferencia claraentrelosvariogramashorizontalesylosverticales,
respecto a la variabilidad, se tiene tambin la existencia de unidades minerales que presentan mayor
continuidadqueotras.
4.4.2 Probabilidades locales de ocurrencia de unidades geolgicas.
Antes de realizar la simulacin de indicadores, se construye una vecindad mvil a partir del
modelo determinstico. El objetivo es acotar slo a los datos circundantes, las probabilidades de
ocurrencia de una unidad geolgica. Esto se realiza para tener un modelo no muy voltil, que tenga
relacinconelmodelogeolgicointerpretado.
Enlospuntossimulados,cadaunidadgeolgicatieneunaprobabilidadentre0y1deocurrir,
dependiendoesta,dequeunidadesgeolgicaspredominen.
Se proponen dos alternativas de vecindad, la primera es de 11x 11 x 11 bloques, es decir se
toman un cubo de 1331 bloques para calcular las probabilidades de ocurrencia de cada dominio,
tenindoseunamatrizdeprobabilidades.
Laotraalternativapropuesta,yquefueendefinitivalaquemejorrepresentloesperadoporlos
gelogosacargodelproyecto,fueunavecindadde7x7x5bloques,enquesetomaunparaleleppedo
recto que abarca 245 bloques para calcular las probabilidades de ocurrencia de cada dominio. Esta
alternativafuemsacertadaencuantoalavolatilidadesperadadadolosestudiosgeolgicos.
Se despliegan las siguientes imgenes que muestran una planta con la probabilidad de
ocurrenciadedosdelasunidadesgeolgicasestudiadas.
37

Figura22:Imagenprobabilidaddeocurrenciadeestril.
Seapreciaclaramentequelaprobabilidaddeocurrenciadeestriles1enloslugaresenque
no existe presencia de otra unidad geolgica, luego acercndose a la zona con dominios distintos, la
probabilidaddeserestrilbajahastallegara0alcentrodelyacimiento,enqueesmuyprobableque
nohayaningnbloqueidentificadocomoestrilentrelos245bloquescircundantes.
En la siguiente imagen se despliega el mismo mapa de probabilidad pero para la unidad
geolgicademineraleslixiviados.Lasimgenesrestantessepresentanenlosanexos.
Figura23:Imagenprobabilidaddeocurrenciademineraleslixiviados.
A diferencia de la imagen de estril, la probabilidad de ocurrencia de minerales lixiviados es
mayor al centro del yacimiento y se torna 0 en los bordes, dado que no existen bloques de este
dominio.
38
ElmodelodeVecindadseprogramutilizandoelsoftwareMatlab.Enlosanexosseencuentra
elcdigodeprogramacin.
4.4.3 Simulacin Secuencial de Indicadores
La simulacin secuencial de indicadores se ejecuta utilizando el software sisim_lm de GSlib.
Adems de utilizar el modelo de probabilidades locales creado en la seccin anterior, se utiliza las
proporciones globales de unidades geolgicas establecidas en el modelo interpretado, asumiendo
inexistenciadesesgo.Tambinutilizalosmodelosdevariogramacreadosparacadaunadelasunidades
geolgicas.
Seconsideraqueestasrealizacionesdebenreproducirlosiguiente:
Datosdesondajes.
Variogramasdeindicador,esdecir,continuidadgeolgica.
Imgenessimilaresalmodelogeolgico,esdecir,unidadesgeolgicasycontactosentreellas.
En total, se construyeron 11 realizaciones de unidades geolgicas. A continuacin se muestran

algunasimgenesderealizacionesjuntoconelmodelogeolgicootorgadocomobasepararealizar
lacomparacin:
Figura24:ModelodeBloquesdeterminstico.VistaPlanta(EsteNorte)
39
Figura25:ModelodeBloquesprobabilstico,realizacinn1.VistaPlanta(EsteNorte)
40

AdemssemuestranlasimgenesdeperfilesNorteCotayEsteCotaparalosmismosmodelos.
Figura28:ModelodeBloquesdeterminstico.VistaPerfiles(NorteCotayEsteCota)
41

Figura29:ModelodeBloquesprobabilstico,realizacinn1.VistaPerfiles(NorteCotayEsteCota)
42

Lo primero que se realiza para determinar la coherencia entre las realizaciones creadas y el
modelointerpretadoesnotarsiexisterelacinentrelaubicacindelosdominios,loquesereproduce
conbastanteclaridadencadaunadelasrealizaciones.Ademsesimportantenotarlovoltilesquese
hacenloscontactosentrelasunidadesgeolgicas.Estavolatilidadesposiblereducirladisminuyendola
vecindad tomada, sin embargo visualmente estas realizaciones fueron validadas por los gelogos del
proyecto.
Estasrealizacionesreproducenademslosdatosdesondajesdelabasededatos.Acontinuacin
semuestralareproduccindelasproporcionesparatodaslasunidadesgeolgicas.
43
Tabla6:Validacinsimulaciones.Proporcionesdeunidadesgeolgicasenlassimulaciones.
ProporcionesUG
UG
Estril
Lixiviados
Hipgeno
ParcialLixiviado
Suprgeno
Mixto
xidosVerdes
xidosCrisocola
xidosNegros
LixiviadosconCu
Modelo
Geolgico
[%]
62.50
4.24
23.24
2.09
0.27
0.32
5.60
1.22
0.41
0.11
Sim1
[%]
63.25
4.26
22.29
2.05
0.27
0.30
5.79
1.16
0.43
0.19
Sim2
[%]
63.05
4.35
22.71
1.92
0.35
0.28
5.52
1.14
0.43
0.26
Sim3
[%]
62.98
4.80
22.60
1.74
0.36
0.25
5.35
1.23
0.49
0.21
Mediatotal
Simulaciones
[%]
62.68
4.44
22.82
1.89
0.30
0.29
5.75
1.18
0.44
0.20
DiferenciaMedia
Simvs.Modelo
Geolgico
[%]
0.28
4.74
1.79
9.39
11.14
9.88
2.73
3.83
7.35
83.92
Se aprecia que las diferencias entre la media de simulaciones (correspondiente al total de las
simulaciones) y el modelo geolgico no son significativas, exceptuando el dominio de Lixiviados con
cobre, en donde hay una diferencia importante de casi 84%. Esto se debe a que ese dominio es
demasiado pequeo en comparacin a los restantes, y por lo tanto no es de mayor importancia. Para
todos los dems dominios, las diferencias son muy poco significativas, por lo que las realizaciones se
considerancorrectasynoseapreciasesgo.
4.5. Modelamiento de leyes
4.5.1 Anlisis Variogrfico
Porcadasimulacindeunidadesgeolgicassedebenrealizardieciochosimulacionesdeleyes,es
decir, para cada uno de los nueve dominios hay que simular las leyes de cobre soluble y de cobre
insoluble.
Lo primero que se realiza es tomar las bases de datos desagrupadas, separarlas por unidad
geolgica,ydespusdividirentreloqueescobresolubleycobreinsoluble.
ParacadaunadelasbasesdedatosporseparadosedeberealizarlaAnamorfosisGaussiana.Los
datosoriginalestienenunhistogramaasimtrico,elcualesincompatibleconunadistribucingaussiana
yunmodelomultigaussiano.Porestemotivo,serequierehacerunatransformacindedatos,paraque
44
tengan una distribucin gaussiana de media 0 y varianza 1 (aunque puede suponerse una varianza
distinta,porejemplo,asumiendounmodelomodificadoconmedio0yvarianza1.4).
Para esto se utiliza el programa NSCORE de GSlib, con el cual se obtiene un archivo con las
coordenadas y los valores transformados gaussianos. Obteniendo lo anterior se pueden calcular los
variogramasexperimentalesatravsdelprogramaGAMVdeGSlib.
Seutilizanlossiguientesparmetros:
Tabla7:Parmetrosdeclculodevariogramasexperimentales.
Acimut
Tolerancia
Angular
Dip
Tolerancia
Dip
Nmerode
Pasos
Largode
Paso[m]
DireccinHorizontal
90
22.5
40
DireccinVertical
90
90
22.5
40
Acontinuacinsemuestranalgunosdelosvariogramasexperimentalesdedatosgaussianospara
algunasunidadesgeolgicasenparticular.Ademsdelosvariogramasexperimentales,sedesplieganlos
variogramas modelados. Al igual que en el caso anterior, se utilizan los modelos anidados esfricos y
exponenciales.Elcolorazulrepresentaladireccinverticalyelnegroladireccinhorizontal.
Figura32:Variogramasexperimentalesymodeladosparaxidosverdes(Cobreinsolubleycobresoluble).
45

Figura33:Variogramasexperimentalesymodeladosparaxidoscrisocola(Cobreinsolubleycobresoluble).
Las simulaciones de leyes se hacen para un soporte puntual, en donde los puntos estn a una
distancia de 6.25 metros entre s para las direcciones esteoeste y nortesur y a una distancia de 3.75
metrosparalacota.Seutilizaestesoporteparadarmsdetallealassimulaciones.Unavezobtenidoslos
modelossehaceunrebloqueoabloquesdedimensionesde12.5x12.5x7.5metroscomosetienepara
elmodelodeterminsticodeunidadesgeolgicas.
A continuacin se despliegan imgenes para soporte puntual de simulaciones para distintas
unidadesgeolgicas.Hayquetenerpresentequecadaimagenasumequetodoelyacimientopertenece
aestaunidad.
Figura34:ModelosdeleyespuntualesparaunidadgeolgicaLixiviados.VistasenPlantaCobreinsolubleySoluble
46

Figura35:ModelosdeleyespuntualesparaunidadgeolgicaxidosVerdes.VistasenPlantaCobreinsolubleySoluble
Figura36:ModelosdeleyespuntualesparaunidadgeolgicaxidosCrisocola.VistasenPlantaCobreinsolubleySoluble
Esposibleapreciarqueparaelcobreinsolublesetienenleyesbastantesmsbajasqueparael
cobre soluble. Esto dado que el cobre soluble es bastante similar al cobre total (cercano al 94%).
Tambinesbastantenotorialadiferenciaexistenteparalasdistintasunidadesgeolgicas,yaquepara
losxidoscrisocolalasleyesdecobresolublesonaltas,encontrasteconloquesucedeparaelmodelo
simuladodemineraleslixiviadosenquelasleyessoncercanasaceroentodoelyacimiento.
ElsiguientepasosehacemedianteelprogramaBlkavgdeGSlib,elcualrealizaelrebloqueoa
paraleleppedos de dimensiones de 12.5 x 12.5 x 7.5 metros, mismo soporte que el modelo geolgico
proporcionado.Deestemodoseobtienenlassiguientesimgenes.
47

Figura37:ModelosdeleyesrebloqueadasparaunidadgeolgicaLixiviados.VistasenPlantaCobreinsolubleySoluble.
Figura38:ModelosdeleyesrebloqueadasparaunidadgeolgicaxidosVerdes.VistasenPlantaCobreinsolubleySoluble.
Figura39:ModelosdeleyesrebloqueadasparaunidadgeolgicaxidosCrisocola.VistasenPlantaCobreinsolubleySoluble.
Senotaciertosuavizamientodelosmapasalpasarabloquesdemayortamao,loqueeslgico
considerando que un aumento de soporte hace que la dispersin disminuya, dado que se toma
promediosdedatosreducindosevaloresextremos.
48
Para tener simulaciones con unidades geolgicas, cobre total y cobre soluble, se realiz un
programasimpleenelsoftwareMatlab(verAnexos)quetomaunasimulacindeunidadesgeolgicas
yencadabloquesimulado,tomaelcdigodeestedominioybuscaentretodaslasbasesdedatos(de
leyespordominio)aculdominiocorresponde,obtenindoselaleyquehayenlamismaubicacin.Esto
lorealizaparaelcobresolubleycobreinsoluble.
Ademsserealizunprograma(Anexos)parahacerelcambiodevariableinverso,dadoqueya
estn simulados el cobre soluble y cobre insoluble se puede obtener el cobre total como la suma de
estos
.
Asseobtienenoncebasesdedatosdemodelosdebloquessimuladosparaunidadesgeolgicas,
cobretotalycobresoluble.
A continuacin se despliegan algunas imgenes de vistas en planta y perfiles de tres
simulaciones,ademsdelasimgenesdelpromedioydelKriging(elcualestincompleto,peroabarca
laszonasdemayorinters).
Figura40:Modelosdebloquessimulados(Sim1).VistasenPlanta,cobresolubleytotal.
49
Figura43:PromedioSimulaciones.VistasenPlanta,cobresolubleytotal.
Figura44:VistasKriging.VistasenPlanta,cobresolubleytotal.
50

Figura45:Modelosdebloquessimulados(Sim1).VistasPerfilEsteCota,cobresolubleytotal.
51

Figura48:PromedioSimulaciones.VistasPerfilEsteCota,cobresolubleytotal.
Figura49:VistasKriging.VistasPerfilEsteCota,cobresolubleytotal.
Figura50:Modelosdebloquessimulados(Sim1).VistasPerfilNorteCota,cobresolubleytotal.
52

Figura53:PromedioSimulaciones.VistasPerfilNorteCota,cobresolubleytotal.
53

Figura54:VistasKriging.VistasPerfilNorteCota,cobresolubleytotal.
Los modelos son concordantes entre s respecto a las zonas de altas leyes, dado que
corresponden es su mayora a las zonas de xidos. Adems los promedios para las simulaciones no
difieren mucho de lo que es el Kriging, aunque este sea bastante ms suave, esto se debe en parte al
haber realizado solamente 11 simulaciones; se obtendra un mayor suavizamiento al promediar un
mayornmerodesimulaciones.
Serealizalavalidacindedatosparatodaslassimulaciones,ademsdedesplegarselos
histogramas.
Tabla8:ValidacindeSimulacionesrespectoaSondajesdesagrupados.Casocobresoluble.
LeyesmediasdeCuS
UG
Estril
Lixiviados
Hipgeno
ParcialLixiviado
Suprgeno
Mixto
xidosVerdes
xidosCrisocola
xidosNegros
LixiviadosconCu
Sondajes
Desagrupados
[%]
0.09
0.13
0.03
0.16
0.04
0.19
0.28
1.42
0.15
0.06
Sim1 Sim2 Sim3
[%]
0.00
0.05
0.12
0.07
0.10
0.22
0.26
1.57
0.15
0.08
[%]
0.00
0.05
0.13
0.06
0.06
0.22
0.26
1.72
0.18
0.08
[%]
0.00
0.05
0.13
0.07
0.09
0.21
0.28
2.09
0.17
0.08
54
Media
Simulaciones
Diferencia
Sondajes/Simulaciones
[%]
0.00
0.05
0.13
0.06
0.08
0.22
0.27
1.95
0.17
0.08
[%]
*Nosesimul
0.08
0.10
0.09
0.04
0.04
0.00
0.52
0.02
0.01
Tabla9:ValidacindeSimulacionesrespectoaSondajesdesagrupados.Casocobretotal.
LeyesmediasdeCut
UG
Sondajes
Desagrupados
Media
Simulaciones
Diferencia
Sondajes/Simulaciones
[%]
[%]
[%]
[%]
[%]
[%]
Estril
0.19
*Nosesimul
Lixiviados
0.26
0.08 0.08
0.08
0.08
0.17
Hipgeno
0.41
0.16 0.18
0.16
0.16
0.25
ParcialLixiviado
0.25
0.18 0.16
0.17
0.18
0.07
Suprgeno
0.34
0.33 0.31
0.34
0.34
Mixto
0.33
0.35 0.38
0.35
0.37
0.04
xidosVerdes
0.35
0.35 0.34
0.35
0.35
xidosCrisocola
1.58
1.82 1.97
2.36
2.2
0.62
xidosNegros
0.32
0.3 0.34
0.33
0.33
0.01
Sim1 Sim2 Sim3
0.2
0.18 0.17 0.18
0.18
0.03
Lamayordiferenciadeleyesentrelossondajesdesagrupadosylamediadelassimulacionesest
LixiviadosconCu
dadaparalosxidoscrisocola.Sinembargoladiferenciaporcentualnoestansignificativa.Estosedebe
alavariabilidaddeleyespresenteenestedominio.Paralasotrasunidadesgeolgicaslasdiferenciasno
sonrelevantes,tenindosecomoexcepcinslolasleyesparamineralhipgeno,loqueseexplicaporla
faltademuestreoaesaprofundidad(sondajespocoprofundos).
Dadoqueelmodelodekrigingseencuentraincompleto,considerandoquesolotienelosvalores
deleyespara154.046delos440.960bloquesdelmodelo(35%),seseleccionaenlassimulacionesslo
losbloquesqueseencuentrenenlasmismasubicacionesqueaquellosconinformacindekriging.Se
realizaaslavalidacin.
Tabla10:ValidacindeSimulacionesrespectoalmodelodeKriging.Casoscobresolubleytotal.
UG
Estril
Lixiviados
Hipgeno
ParcialLixiviado
Suprgeno
Mixto
xidosVerdes
xidosCrisocola
xidosNegros
LixiviadosconCu
LeyesmediasdeCuS
Media
Simulaciones
Kriging
Diferencia
[%]
[%]
[%]
[%]
[%]
[%]
0.05
0.08
0.11
0.10
0.08
0.20
0.19
1.35
0.23
0.10
0.02
0.06
0.06
0.07
0.06
0.20
0.24
1.49
0.17
0.07
0.03
0.02
0.05
0.03
0.02
0.00
0.05
0.14
0.06
0.03
0.06
0.11
0.17
0.19
0.22
0.30
0.25
1.50
0.35
0.19
0.03
0.08
0.16
0.18
0.34
0.30
0.29
1.65
0.32
0.14
0.04
0.03
0.01
0.01
0.11
0.00
0.04
0.15
0.03
0.04
55
LeyesmediasdeCuT
Media
Simulaciones
Kriging
Diferencia
Las diferencias entre las medias de simulaciones y el kriging son pequeas, por lo tanto se
consideraquelassimulacionessoninsesgadas.
A continuacin se presentan los histogramas de los sondajes, simulaciones y kriging para las
zonasmineraleseconmicamentemsatractivas.
Figura55:HistogramasSondajesdesagrupados.Cobresolubleycobretotal,xidosVerdes.
Figura56:Histogramassimulacin1.Cobresolubleycobretotal,xidosVerdes.
56

Figura59:HistogramasSondajesdesagrupados.Cobresolubleycobretotal,xidosCrisocola.
57

Figura60:Histogramassimulacin1.Cobresolubleycobretotal,xidosCrisocola.
58
Loshistogramasdesimulacionesseasemejanbastantealosdesondajesencuantoasuformay
rango.Sibienexistenpequeasdiferenciasdesuavizamiento,estasseexplicanporelcambiodesoporte
puntualabloques.Ademssereproducenlasleyesaltasdemanerasimilaraloquefueronmuestreadas.
Seimpusoquelamximaleyentregadaporlassimulacionesfueramayoroigualalmximovalordeley
desondajeparaesaunidadgeolgica,sinembargodadoqueelsoporteesdistinto,esmuydifcilqueun
bloquereflejeunaleytanaltacomouncompsito.
4.6. Procesamiento de resultados
Como se obtienen once realizaciones distintas es posible ponerse en cada uno de estos
escenariosyverculessonlostonelajesyleyesmedias,determinarloscasosmsymenosfavorablesy
obtenerunrangoenelqueseencuentrecadaunadeestasvariables.Esdebastanteutilidaddesplegar
las curvas tonelaje ley para ver cules son los recursos una vez definidas las leyes de corte. A
continuacinsemuestranlascurvasparalasoncesimulacionesenceleste,ademsdelospromediosen
rojo para el total del yacimiento y tambin considerando slo las zonas minerales ms interesantes.
Dadasumayorrelevancia,slosetomarlavariablecobresoluble.
CurvaTonelajeLeyCobreSoluble
Yacimiento
1,400
2
1.8
1,200
MillonesdeToneladas
1.6
1,000
1.4
1.2
800
1
600
Leymedia
%
0.8
0.6
400
0.4
200
0.2
0
0
0.1
0.2
0.3
0.4
0.5
LeydeCorte%
Figura63:CurvaTonelajeLey(cobresoluble)paratodoelyacimiento.
59
Asmismoseobtienenlossiguientesrangosdetonelaje,leyesmediasycantidaddefino:
Tabla11:RangosTonelajes,Leyesmediasycantidaddemetal.Totaldelyacimiento,casoCuS.
TonelajeMximo[Mton]
TonelajeMnimo[Mton]
TonelajePromedio[Mton]
LmMximo[%]
LmMnimo[%]
LmPromedio[%]
FinoMximo[Kton]
FinoMnimo[Kton]
FinoPromedio[Kton]
0
1,264
1,264
1,264
0.08
0.07
0.07
1,062
847
933
LeyesdeCorte[%]
0.2
0.3
125
68
102
55
110
61
0.69
1.03
0.55
0.80
0.59
0.87
772
656
561
449
651
532
0.1
255
218
230
0.41
0.33
0.35
945
727
815
0.4
42
34
38
1.44
1.07
1.19
576
379
455
0.5
29
23
26
1.85
1.36
1.52
524
334
403
xidosVerde
80
1
0.9
70
MillonesdeToneladas
0.8
60
0.7
50
0.6
40
0.5
Leymedia
%
0.4
30
0.3
20
0.2
10
0.1
0
0
0.1
0.2
0.3
0.4
0.5
LeydeCorte%
Figura64:CurvaTonelajeLey(cobresoluble)paralazonadexidosVerdes.
60

Seobtienenlossiguientesrangosdetonelaje,leyesmediasycantidaddefino:
Tabla12:RangosTonelajes,Leyesmediasycantidaddemetal.xidosVerdes,casoCuS.
TonelajeMximo[Mton]
TonelajeMnimo[Mton]
LmMximo[%]
LmMnimo[%]
LmPromedio[%]
FinoMximo[Kton]
FinoMnimo[Kton]
FinoPromedio[Kton]
0
73
73
73
0.30
0.25
0.27
222
179
199
LeyesdeCorte[%]
0.2
0.3
37
24
32
19
35
22
0.49
0.63
0.43
0.55
0.46
0.58
183
152
136
105
157
127
0.1
59
54
56
0.36
0.31
0.33
213
168
188
0.4
16
12
14
0.75
0.67
0.71
126
81
101
0.5
12
8
9
0.88
0.79
0.83
104
63
81
MillonesdeToneladas
xidosCrisocola
14
12
3.5
3
10
2.5
8
2
Leymedia
%
6
1.5
4
0.5
0
0
0.1
0.2
0.3
0.4
0.5
LeydeCorte%
Figura65:CurvaTonelajeLey(cobresoluble)paralazonadexidosCrisocola.
61

Seobtienenlossiguientesrangosdetonelaje,leyesmediasycantidaddefino:
Tabla13:RangosTonelajes,Leyesmediasycantidaddemetal.xidosCrisocola,casoCuS.
TonelajeMximo[Mton]
TonelajeMnimo[Mton]
LmMximo[%]
LmMnimo[%]
LmPromedio[%]
FinoMximo[Kton]
FinoMnimo[Kton]
0
13
13
13
2.65
1.57
1.95
349
207
257
LeyesdeCorte[%]
0.2
0.3
12,2
11.2
11
9.9
11.6
10.7
2.93
3.08
1.82
1.99
2.19
2.35
348
346
205
202
255
253
0.1
12.9
12.3
12.6
2.76
1.66
2.04
349
207
256
0.4
10.5
8.9
9.8
3.25
2.17
2.53
344
199
250
FinoPromedio[Kton]
Tabla14:RangosTonelajes,Leyesmediasycantidaddemetal.xidosCrisocola,casoCuS.
0.5
9.9
8.1
9
3.43
2.34
2.71
341
195
246
Es bastante claro que la zona que presenta mayor incertidumbre es la de xidos de Crisocola,
dadasualtavariabilidaddeleyes(reflejadaenlosvariogramas),porloqueseveunmayorespectrode
leyes medias y tonelajes (dada una ley de corte). Al contrario, en la curva tonelajeley de todo el
yacimiento la variacin entre los distintos casos es bastante acotada, no presenta mucha variabilidad,
estoyaquelasleyesmediassonbastantemenores(variogramamenor),yslolaszonasdexidos,que
sonmsdifusas,aumentanalgolaincertidumbre.
4.7 Comparacin con Modelo de Kriging
ElmodelodekrigingentregadoporAntofagastaMineralsnoabarcatodoelyacimientoyslose
consideranlaszonasdemayorinterseconmico.Setomaencuentaslolosbloquesdelosmodelos
simuladosenlosqueexistenleyesdelmodelodekrigingpararealizarlacomparacin.Asrealizandoesta
simplificacinseobtienenlossiguientesrecursosycurvasdetonelajeley.
62
Tabla15:RangosTonelajes,Leyesmediasycantidaddefinomodelossimulados(simplificados)ymodelo
kriging.xidosVerdes,casoCuS.
Lc[%]
TonelajeMximo[Mton]
TonelajeMnimo[Mton]
LmMximo[%]
LmMnimo[%]
LmPromedio[%]
FinoMximo[Kton]
FinoMnimo[Kton]
FinoPromedio[Kton]
0.1
0.2
0.3
0.4
0.5
73
73
73
0.30
0.25
0.27
222
179
199
59.2
54.2
56.4
0.36
0.31
0.33
213
168
188
37.2
32.0
34.5
0.49
0.43
0.46
183
136
157
24.2
19.2
21.7
0.63
0.55
0.58
152
105
127
16.7
12.1
14.3
0.75
0.67
0.71
126.3
81.7
101.9
11.8
8
9.8
0.88
0.79
0.83
104.6
63.5
82
Kriging
Tonelaje[Mton]
70.8
65
30
14.4
9.1
5.9
Lm[%]
0.24
0.26
0.38
0.54
0.65
0.76
Fino[Kton]
172
167
115
77
59.6
45.3
MillonesdeToneladas
xidosVerdes
80
70
0.9
0.8
60
0.7
50
0.6
40
0.5
30
0.4
Leymedia
%
0.3
20
0.2
10
0.1
0
0
0.1
0.2
0.3
0.4
0.5
LeydeCorte%
Figura66:CurvaTonelajeLey(cobresoluble)paralazonadexidosVerdes.Enazullasoncesimulaciones,enrojoel
promediodetodasyenverdeelkriging.
63
Tabla 16: Rangos Tonelajes, Leyes medias y cantidad de metal modelos simulados (simplificados) y
modelokriging.xidosCrisocola,casoCuS.
Lc[%]
0
0.1
0.2
0.3
0.4
0.5
TonelajeMximo[Mton]
13.2
12.95
12.2
11.2
10.6
9.95
TonelajeMnimo[Mton]
13.2
12.34
11
9.9
8.9
8.1
13.2
12.60
11.6
10.7
9.9
LmMximo[%]
2.65
2.76
2.93
3.08
3.25
3.43
LmMnimo[%]
1.57
1.66
1.82
1.99
2.17
2.34
LmPromedio[%]
1.95
2.04
2.19
2.35
2.53
2.71
FinoMximo[Kton]
350
349.2
348
346.6
344
341
FinoMnimo[Kton]
208
207.2
205.5
202.7
199.3
195
FinoPromedio[Kton]
257
256.7
255.3
253.1
250.1
246.6
Kriging
Tonelaje[Mton]
15.4
15.3
13.7
11.9
10.9
10.09
Lm[%]
1.49
1.50
1.66
1.87
2.00
2.14
Fino[Kton]
229.8
229.7
227
222.7
219.4
215.4
xidosCrisocola
18
4.00
16
3.50
MillonesdeToneladas
14
3.00
12
2.50
Leymedia
%
10
2.00
8
1.50
1.00
4
2
0.50
0.00
0
0.1
0.2
0.3
0.4
0.5
LeydeCorte%
Figura67:CurvaTonelajeLey(cobresoluble)paralazonadexidosCrisocola.Enazullasoncesimulaciones,enrojoel
promediodetodasyenverdeelkriging.
64
Existenalgunasdiferenciasentreelpromediodelassimulacionesyelmodelodekriging,sobre
todoparaelcasodeleyesdexidoscrisocolaenquesetienemayorvariabilidaddedatos.
Idealmente el kriging debera ser igual al promedio de las simulaciones, no obstante,
considerandoquecadasimulacindeleytomaencuentaademsotrasimulacindeunidadgeolgica
independiente,noseestrealizandonecesariamenteunacomparacinentrelasmismasubicacionesdel
yacimientoconrespectoalkriging.
Acontinuacin,serealizaunacomparacinentretodoslosbloquesdelyacimiento,
MillonesdeToneladas
TotalYacimiento
500
2.50
450
Leymedia
%
400
2.00
350
300
1.50
250
200
1.00
150
0.50
100
50
0.00
0
0
0.1
0.2
0.3
LeydeCorte%
0.4
0.5
Figura68:CurvaTonelajeLey(cobresoluble)paraeltotaldelyacimientosimplificado.Enazullasrealizacionesmnimas,
mximaypromedio,enverdemodelodekriging.
65
Tabla17:RangosTonelajes,Leyesmediasycantidaddemetalmodelossimuladosymodelokriging.Total
Yacimiento,casocobresoluble.
Simulaciones
Lc[%]
0.1
0.2
0.3
0.4
0.5
442.2
91.8
53.2
LmPromedio[%]
0.13
0.56
0.86
35.7
26
20.1
1.17
1.48
1.78
FinoPromedio[Kton]
561.2
513
460.1
418
384.9
358.9
Kriging
Lc[%]
Tonelaje[Mton]
442.2
112.9
50
29.1
21.7
16.9
Lm[%]
0.12
0.40
0.73
1.08
1.34
1.59
Fino[Kton]
521.8
452.9
365.9
315.6
290.1
268.4
Elkrigingseasemejaalassimulacionesparaunaleydecortenula.Sinembargo,paraleyesde
cortemayores,hayalgunasdiferenciasexplicadasporelefectosuavizamientodelkriging,queprovoca
que las leyes bajas se sobreestimen y que se subestimen las leyes altas. Por construccin, este
suavizamiento no sucede con las simulaciones, las cuales reproducen la variabilidad espacial de leyes,
obteniendo as una menor dilucin (menor tonelaje con leyes medias ms altas para leyes de corte
bajas, y ms tonelaje para leyes de corte altas). Considerando que la simplificacin abarca mucho
tonelajedeleyesaltas,paraleyesdecortenonulas,elkrigingsubestimalasleyesylostonelajes(para
leyesmayoresque0.1).
66
5 CONCLUSIN
Laprincipalventajadelassimulacionescondicionalesrespectoalkriging,esqueestaspermiten
tenertantosescenarioscomoseanecesario,losquereproducenlavariabilidaddelyacimientoydeesta
forma permiten medir la incertidumbre y el riesgo a travs de los casos ms o menos favorables. No
obstante, se debe tener precaucin con las zonas minerales que posean pocos datos condicionantes,
pueslasimulacinseapoyaenlamediaglobaldelosdatosparacompensarlacarenciadeinformacin.
Puede ocurrir que esta media global no sea adecuada localmente, por lo que las simulaciones no
reflejarnelrealcomportamientodelasvariables.
Si bien la construccin de realizaciones es parte importante en el trabajo de lograr una
simulacin, la validacin es fundamental para aprobar los mtodos utilizados. Tanto para el caso de
simulacinsecuencialdeindicadores,paralasunidadesgeolgicas,comoparalasimulacinsecuencial
gaussiana,paralasleyes. Estlaventajadeque cadaunode losvariogramas,deindicador ydedatos
gaussianos, respectivamente, se model de manera independiente (para cada uno de los dominios
geolgicos), por lo que el modelo variogrfico es una buena representacin de la distribucin espacial
delyacimiento.Siempreesimportantetenerunaideadeloquepasaenlarealidadparanoconsiderar
sololosmodelosobtenidos.Losgelogosdebenserpartcipestantoenlaelaboracincomoenlaetapa
devalidacin.
Sedebeconsiderarlaincertidumbretantoenlasunidadesgeolgicascomoenlasleyesdecobre
total y cobre soluble dada la gran importancia econmica presente en este yacimiento. Adems,
considerando los rangos en que flucta la evaluacin de recursos, debera tomarse en cuenta los
modelossimuladosenlasdecisionestcnicascomoalternativasalmodelodekriging.Estoesrelevante
debidoaqueelsectormsimportantedelyacimientoeselquepresentamayorvariabilidad.Asimismo
sedebellevaracaboconstantementemuestreosenloscontactosdelosdominios,atravsdenuevas
campaas de sondajes, para as tener mayor informacin y poder realizar simulaciones de modo de
complementarlosmodelosgeolgicoscreados.
Sera interesante junto con tener los estudios de solubilidad de las distintas zonas minerales,
contar con informacin similar para la ganga que rodea estos dominios. Se podra crear modelos
predictivosparaelcomportamientodeestosbloquesenlosfuturosprocesosmetalrgicos,talescomoel
consumodecidoenlahidrometalurgiadelosxidos.Ademsdeberaincluirseenestassimulaciones
losporcentajesdeimpurezas,talescomoelarsnico,quepermitantenerelbeneficio/costorealdecada
bloque, posibilitando un modelo que abarque no slo las variables de ingreso, sino tambin las que
implicanunadisminucindelpotencialeconmico.
67
6 REFERENCIAS
[1]
AlastairJ.Sinclair,GarstonH.Blackwell,2002.AppliedMineralInventoryEstimation.p.284299.
[2]
ChilsJP.,DelfinerP.,1999.Geostatistics:modelingspatialuncertainty.Wiley,New
York,695p.
[3]
Emery X., 2004, Testing the correctness of the sequential algorithm for simulating Gaussian
randomfields,StochEnvirResandRisk18,p.401413.
[10]
Emery X., 2007, Statistical tests for validating geostatistical simulation algorithms (2007),
Computers&Geosciences,11p.
[4]
I.M Glacken, D.V Snowden, 2001: Mineral Resource Estimation, in Mineral Resource and Ore
ReserveEstimationTheAusIMMGuidetoGoodPractice,TheAustralasianInstituteofMining
andMetallurgy:Melbourne.P189198.
[5]
J.H. Duke, P.J. Hanna, Geological Interpretation for Resource Modelling and Estimation, in
Mineral Resource and Ore Reserve Estimation The AusIMM Guide to Good Practice, The
AustralasianInstituteofMiningandMetallurgy:Melbourne.P147156.
[6]
JournelA.G.,HuijbregtsCh.J.,1978.MiningGeostatistics.AcademicPress,London,600p.
[7]
Clayton V. Deutsch, Andr G. Journel, 1998: GSLIB Geostatistical Sofware Library and User's
Guide,OxfordUniversityPress.189p.
[8]
OyLeuangthong,ClaytonV.Deutsch,2002: StepwiseConditionalTransformationforSimulation
ofMultipleVariables, MathematicalGeology,Vol.35,No.2,February2003(C2003).19p
[9]
Oy Leuangthong, Jason A. McLennan, and Clayton V, 2004. Deutsch: Minimum Acceptance

CriteriaforGeostatisticalRealizations.NaturalResourcesResearch,Volume13,Number3,131
141,11p.
68
7 ANEXOS
Anexos 1: Probabilidad de Ocurrencia de unidad geolgica.
ImgenesdeProbabilidaddeocurrenciadedistintasunidadesgeolgicas:
VistasenPlanta(2186m):
Figura1:ProbabilidadocurrenciaunidadEstril.
Figura2:ProbabilidadocurrenciaunidadLixiviados.
69

Figura3:ProbabilidadocurrenciaunidadHipgeno.
Figura4:ProbabilidadocurrenciaunidadParcialLixiviado.
Figura5:ProbabilidadocurrenciaunidadSuprgeno.
70

Figura6:ProbabilidadocurrenciaunidadMixto.
Figura7:ProbabilidadocurrenciaunidadxidosVerdes.
Figura8:ProbabilidadocurrenciaunidadxidosCrisocola.
71

Figura9:ProbabilidadocurrenciaunidadxidosNegros.
Figura10:ProbabilidadocurrenciaunidadLixiviadosconCobre.
Cdigo MATLAB
MB= input('Ingrese modelo de bloques: x y
deltax= input('Ingrese cuantos bloques en
deltay= input('Ingrese cuantos bloques en
deltaz= input('Ingrese cuantos bloques en
z
x
y
z
UG:');
a considerar :');
a considerar :');
a considerar :');
MB = sortrows(sortrows(sortrows(MB,1),2),3);
MB_vecindad = MB;
UG = reshape(MB(:,4),176,120,60);
l = 1;
for k = 1:60
disp([int2str(k),' de 60']); pause(0.001);
for j = 1:120
for i = 1:176
A = UG( max(1,i-deltax):min(176,i+deltax) , max(1,jdeltay):min(120,j+deltay) , max(1,k-deltaz):min(60,k+deltaz) );
72
I = find(A(:)<0); A(I) = [];

MB_vecindad(l,4)= mean(A(:));
l = l+1;
end
end
end
Anexos 2: Simulacin de Leyes.
Anexos 2.1: Cdigo MATLAB: Asignacin de Modelos de simulacin de Leyes a

Modelo de Unidades Geolgicas:
% lectura de los archivos de simulaciones de leyes y del archivo de

% simulacin de unidades geolgicas
load('MBSIM_775_1_simplificado.txt');
load('sgsim_block_cui_3.out');
sgsim_cui = [sgsim_block_cui_3 sgsim_block_cui_5 sgsim_block_cui_10
sgsim_block_cui_11 sgsim_block_cui_12 sgsim_block_cui_20 sgsim_block_cui_30
sgsim_block_cui_40 sgsim_block_cui_50];
sisim = MBSIM_775_1_simplificado(:,4);
n = size(sisim);
sgsimfinal_cui = zeros(n,1);
for i = 1:n
l = sisim(i);
if l==3, j=1;
end
if l==5, j=2;
end
if l==10, j=3;
end
if l==11, j=4;
end
if l==12, j=5;
end
if l==20, j=6;
end
if l==30, j=7;
end
if l==40, j=8;
end
if l==50, j=9;
end
if l==0,
sgsimfinal_cui(i) = 0;
73
else
sgsimfinal_cui(i) = sgsim_cui(i,j);
end
end
load('sgsim_block_cus_3.out');
sgsim_cus = [sgsim_block_cus_3 sgsim_block_cus_5 sgsim_block_cus_10
sgsim_block_cus_11 sgsim_block_cus_12 sgsim_block_cus_20 sgsim_block_cus_30
sgsim_block_cus_40 sgsim_block_cus_50];
sgsimfinal_cus = zeros(n,1);
for i = 1:n
l = sisim(i);
if l==3, j=1;
end
if l==5, j=2;
end
if l==10, j=3;
end
if l==11, j=4;
end
if l==12, j=5;
end
if l==20, j=6;
end
if l==30, j=7;
end
if l==40, j=8;
end
if l==50, j=9;
end
if l==0,
sgsimfinal_cui(i) = 0;
else
sgsimfinal_cus(i) = sgsim_cus(i,j);
end
end
MB_cuicus = MBSIM_775_1_simplificado;
MB_cuicus(:,5)=sgsimfinal_cui;
MB_cuicus(:,6)=sgsimfinal_cus;
disp('Proceso finalizado');
Anexos 2.2: Cdigo MATLAB Transformacin de base de datos con unidad

geolgica, cobre total y cobre soluble y exportacin de datos:
n=size(MB_cuicus(:,1));
MB_cuscut=zeros(n,6);
74
MB_cuscut(:,1)=MB_cuicus(:,1);
for i=1:n,
MB_cuscut(i,6)=MB_cuicus(i,5)+MB_cuicus(i,6);
end
fid_ton = fopen('MB_sim_ug_ley_1.out','wt');
for i=1:n,
fprintf(fid_ton,'%5.2f %5.2f %5.2f %5.2f %5.2f
%5.2f\n',MB_cuscut(i,1),MB_cuscut(i,2), MB_cuscut(i,3), MB_cuscut(i,4),
MB_cuscut(i,5), MB_cuscut(i,6) );
end
fclose(fid_ton);
disp('Proceso finalizado');
75

CF Elissetche PC

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CF Elissetche PC

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE CHILE

FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS

MODELAMIENTO DE RECURSOS DE UN YACIMIENTO

MEMORIA PARA OPTAR AL TTULO DE INGENIERO CIVIL DE MINAS

PEDRO NICOLS ELISSETCHE CORREA

Comnmente despus de la etapa de exploracin se realiza una evaluacin de recursos, a

Un factor importante de estudiar y sobretodo en yacimientos de minerales exticos, es la

presentes de un yacimiento. Para ello, se puede utilizar la simulacin secuencial de indicadores, en la

ubicado enlascercanas deSierra GordaenlaRegindeAntofagasta,elcualespartede unproyecto

1.3.1 Objetivo General

1.3.2 Objetivos Especficos

Se dispone de una base de datos perteneciente a una campaa de sondajes de un yacimiento

2.1 Modelamiento de Recursos Geolgicos

Las tomas de muestras se realizan utilizando sondajes, estos consisten en perforaciones de

2.1.1 Tipos de Yacimientos

2.1.2 Unidades geolgicas

una conceptualizacin gentica y fenomenolgica del yacimiento en estudio, adems de considerar el

2.2 Conceptos bsicos de geoestadstica

cada ubicacin en el espacio. Es difcil determinarlas completamente y con exactitud dada su

2.2.1 Funcin Aleatoria

regionalizada. Es un medio til en la geoestadstica ya que incorpora el concepto de componentes

Hiptesis de Ergodicidad: Es posible hacer una aproximacin de las esperanzas matemticas

2.3 Mtodos de Estimacin Local

datos, sino tambin su continuidad espacial (variograma). Tambin cuantifica la precisin de la

La Varianza de Kriging slo depende de la configuracin geomtrica de los datos y su continuidad

2.4 Mtodos de Simulacin

Simulacin no condicional: reproduce la variabilidad de la variable regionalizada sin tomar en

2.4.1 Modelos de funciones aleatorias

2.4.2 Modelo Multigaussiano (leyes minerales)

Mtodo Secuencial Gaussiano

2.4.3 Modelos de Variables Categricas (unidades geolgicas)

Mtodo Secuencial de Indicadores

2. Seleccionar umbrales (UG, leyes de corte, litologas) y transformar a variable indicador (0

2.4.4 Criterios de Validacin

Existe ms de un criterio de validacin de los distintos algoritmos de construccin de

realizaciones, estudiando en primera instancia la reproduccin en las realizaciones de las propiedades

La distribucin univariable o el histograma debe tener caractersticas similares que el histograma

Se puede hacer una comparacin entre el modelo terico y losvariogramasexperimentales de las

memoria,consisteen unaaplicacinprctica degeoestadstica enunyacimientoextico,enlaquese

Estudio de los parmetros presentes: Identificadores de Sondajes, coordenadas UTM, largo de

Se efecta el anlisis variogrfico para determinar las direcciones de anisotropa y para

Para la simulacin de indicadores, se analiza los distintos programas eligindose la aplicacin

Se mantiene la proporcin en peso de las unidades geolgicas establecidas en el modelo

Se procede con el anlisis variogrfico de los datos gaussianos y el modelamiento de los

La zona estudiada en este trabajo, se encuentra ubicada a unos 60 km al sur de la ciudad de

Antofagasta Minerals realiz un levantamiento magnetomtrico terrestre sobre el rea

4.2 Presentacin de los datos

La definicin de unidades de estimacin proviene del anlisis geolgicoestadstico de la

4.3 Estudio exploratorio

(%) (%) (%) (%) (%) (%) (%) (%)

0.00 2.01 0.21 0.22 0.00 1.90 0.06 0.13

4.4. Modelamiento de Unidades Geolgicas.

4.4.1 Anlisis Variogrfico

4.4.2 Probabilidades locales de ocurrencia de unidades geolgicas.

En la siguiente imagen se despliega el mismo mapa de probabilidad pero para la unidad

A diferencia de la imagen de estril, la probabilidad de ocurrencia de minerales lixiviados es

4.4.3 Simulacin Secuencial de Indicadores

La simulacin secuencial de indicadores se ejecuta utilizando el software sisim_lm de GSlib.

En total, se construyeron 11 realizaciones de unidades geolgicas. A continuacin se muestran

4.5. Modelamiento de leyes

4.5.1 Anlisis Variogrfico

A continuacin se despliegan imgenes para soporte puntual de simulaciones para distintas

Sim1 Sim2 Sim3