Memoria Los - Bronces

UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

DEPARTAMENTO DE GEOLOGIA
SIMULACION CONJUNTA DE UNIDADES GEOLOGICAS Y LEYES DE COBRE

EN EL SECTOR SUR-SUR DEL DEPOSITO RIO BLANCO-LOS BRONCES
TESIS PARA OPTAR AL GRADO DE MAGISTER EN

CIENCIAS MENCION GEOLOGIA
MEMORIA PARA OPTAR AL TITULO DE GEOLOGO
ALEJANDRO MANUEL CACERES SAAVEDRA
PROFESOR GUIA:
XAVIER EMERY
MIEMBROS DE LA COMISION:
CARLOS PALACIOS MONASTERIO
SERGIO SEPULVEDA
MARCO ALFARO SIRONVALLE
SANTIAGO DE CHILE
SEPTIEMBRE 2010
Resumen
En la actualidad el modelamiento geologico carece de una cuantificacion de la incertidumbre
en la aparicion de las unidades geologicas (UG) en el espacio. Junto a ello, la estimacion de
leyes minerales es efectuada independientemente entre las unidades geologicas modeladas.
De este modo, el control ejercido por las unidades geologicas en la estimacion de leyes se
reduce a la pertenencia de las muestras a cierta unidad geologica y al volumen de la unidad
modelada, sin explotar cabalmente la interrelacion existente entre UG y leyes.
Este trabajo presenta un metodo para establecer los recursos minerales e incertidumbre asociada, vinculando las leyes minerales y unidades geologicas por medio de la simulacion geoestadstica conjunta (cosimulacion) de variables categoricas y continuas. El metodo propuesto
utiliza el modelo multigaussiano para variables continuas (leyes) y gaussiano truncado para
variables categoricas (UG), los cuales son combinados para caracterizar la interdependencia
espacial de las unidades litologicas y leyes. El metodo ademas permite la incorporacion de
conocimiento geologico adicional (no medido directamente) en la estimacion de leyes.
Los enfoques tradicionales y el metodo propuesto son aplicados en un caso de estudio en el
sector Sur Sur del yacimiento Ro Blanco Los Bronces, utilizando las leyes de cobre asociadas a
mineralizacion primaria y la litologa registradas en datos de sondajes. Los modelos realizados
son comparados y contrastados con datos de produccion.
Los resultados revelan que en el enfoque propuesto se expresa claramente que la ocurrencia
de cierta unidad litologica influye en las leyes simuladas y, de modo inverso, el valor de las
leyes influye en la posible aparicion de cierta unidad. Por otro lado, la incorporacion de
conocimiento geologico adicional ejerce control sobre las leyes simuladas. De este modo, el
modelo permite transferir la certeza en la aparicion de cierta unidad litologica a las leyes
asociadas a esta.
Debido a la hipotesis de independencia asumida entre las leyes de unidades contiguas, los
modelos tradicionales generan simulaciones con cambios abruptos al pasar de una unidad
litologica a otra, mientras que el modelo propuesto presenta transiciones graduales, mas representativas de lo observado en las muestras. Los resultados indican que el modelo propuesto
presenta un mejor desempe
no que los enfoques tradicionales en terminos de predictibilidad
en leyes, el cual se incrementa al incorporar el conocimiento geologico adicional.
Finalmente el modelo planteado se presenta como una alternativa interesante a los modelos
tradicionales, en particular en depositos con mineralizacion diseminada y/o donde tengan
lugar transiciones graduales entre las leyes de unidades en contacto.
Agradecimientos
Deseo agradecer a mi profesor gua Xavier Emery por el continuo apoyo en el desarrollo de
este trabajo, ademas de agradecerle la oportunidad de aprender geoestadstica con uno de
los grandes. A Julian Ortz por su disposicion y claridad para transmitir conceptos, ademas
de darse el tiempo para reiteradas consultas y conversaciones de geoestadstica.
Le doy gracias a mis padres y hermanos por el apoyo durante la vida, nada de esto sera posible
sin ellos. Le agradezco de sobremanera a la mujer de mi vida Elsa por su amor incondicional
y aguantar mi mal humor mientras escriba la tesis. A mis hijos Felipe y Lucas quienes me
dieron fuerzas para terminar este trabajo y a quienes les adeudo el tiempo invertido en el
mismo.
Al Departamento de Geologa por acogerme durante a
nos y dar cabida a mis inquietudes mas
numericas, en especial a los profesores Carlos Palacios, Waldo Vivallo, R. Charrier y Sofa
Rebolledo de quienes guardo buenos recuerdos. Por supuesto le agradezco a Mara Rosa y
Cristina por su siempre buena disposicion y alegra.
Al proyecto Fondecyt N 1040690 ((Estimacion de recursos in situ con enfasis en el control
geologico)) el cual permitio financiar gran parte de los recursos necesarios para el desarrollo
de esta investigacion.
Quiero agradecer a las personas que me han ayudado en la realizacion de este trabajo, en
particular a mis hermanas, Lucas C. y a R. Riquelme por sus comentarios.
Por otro lado quisiera agradecer a todos aquellos que de una u otra manera han ense
nado
de geologa/minera y otras hierbas a este humilde aprendiz de mago. Si bien la lista es
casi infinita no puedo dejar de nombrar a algunos maestros jedi : P. Carrasco, G. M
uller, J.
Cespedes, P. Larrondo, S. Khozrowshahi, C. Deutsch, J.A. Caceres, M. Godoy, D.H. Caceres,
J. Quiroga, entre muchsimos otros.
A todos ellos.. muchas gracias.
ii
Indice general
1. Introducci
on
1.1. Problematica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Hipotesis de trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Objetivo general
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1. Objetivos especficos . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Alcances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Estado del arte
2.1. Modelamiento geologico tradicional . . . . . . . . . . . . . . . . . . . . . . .
2.2. Simulaciones geoestadsticas . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.2.1. Ejemplo introductorio a las simulaciones . . . . . . . . . . . . . . . .
11
2.2.2. Simulacion de variables continuas . . . . . . . . . . . . . . . . . . . .
13
2.2.3. Simulacion de variables categoricas . . . . . . . . . . . . . . . . . . .
14
2.2.4. Control geologico en simulacion de variables petrofsicas
. . . . . . .
14
2.2.5. Aproximaciones a la cosimulacion de variables categoricas y continuas
15
3. Antecedentes te
oricos
17
3.1. Bases de la geoestadstica . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
3.1.1. Conceptos fundamentales . . . . . . . . . . . . . . . . . . . . . . . . .
17
3.2. Estimacion o prediccion espacial . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.2.1. Analisis exploratorio de datos . . . . . . . . . . . . . . . . . . . . . .
22
iii
3.2.2. Analisis estructural geoestadstico . . . . . . . . . . . . . . . . . . . .
22
3.2.3. Estimacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.3. Simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
3.3.1. Tipos de simulaciones
. . . . . . . . . . . . . . . . . . . . . . . . . .
26
3.3.2. Modelo Multigaussiano . . . . . . . . . . . . . . . . . . . . . . . . . .
27
3.3.3. Puesta en marcha practica de la (co)simulacion gaussiana . . . . . . .
30
3.3.4. Simulacion de variables categoricas . . . . . . . . . . . . . . . . . . .
33
4. Metodologa
51
4.1. Simulacion de leyes sin control geologico . . . . . . . . . . . . . . . . . . . .
51
4.2. Simulacion de leyes con control geologico determinstico . . . . . . . . . . . .
52
4.3. Simulacion independiente de leyes y unidades geologicas . . . . . . . . . . . .
53
4.4. Cosimulacion de leyes y geologa utilizando simulacion secuencial gaussiana y

de indicadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
54
4.5. Cosimulacion de leyes y geologa utilizando gaussiana truncada . . . . . . . .
55
4.6. Simulacion conjunta de leyes y UG con incorporacion de conocimiento adicional 56

5. Caso de estudio
58
5.1. Geologa del sector Sur-Sur del deposito Ro Blanco-Los Bronces . . . . . . .
58
5.1.1. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
5.1.2. Geologa local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
5.1.3. Geologa del sector Sur-Sur . . . . . . . . . . . . . . . . . . . . . . .
60
5.2. Analisis exploratorio de datos . . . . . . . . . . . . . . . . . . . . . . . . . .
67
5.2.1. Base de datos a utilizar . . . . . . . . . . . . . . . . . . . . . . . . . .
67
5.2.2. Ubicacion espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
5.2.3. Distribucion espacial de litologas . . . . . . . . . . . . . . . . . . . .
69
5.2.4. Estadsticas basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
5.2.5. Relacion espacial de unidades y leyes . . . . . . . . . . . . . . . . . .
74
iv
5.3. Aspectos de la implementacion de los modelos . . . . . . . . . . . . . . . . .
78
5.3.1. Grilla de simulacion y muestras condicionantes . . . . . . . . . . . . .
78
5.3.2. Parametros de simulacion . . . . . . . . . . . . . . . . . . . . . . . .
79
5.4. Simulacion de leyes sin control geologico . . . . . . . . . . . . . . . . . . . .
80
5.5. Simulacion de leyes con control geologico determinstico . . . . . . . . . . . .
83
5.6. Simulacion independiente de leyes y unidades geologicas . . . . . . . . . . . .
86
5.6.1. Codificacion de unidades geologicas . . . . . . . . . . . . . . . . . . .
86
5.6.2. Bandera de truncacion . . . . . . . . . . . . . . . . . . . . . . . . . .
86
5.6.3. Modelamiento del variograma del indicador de BXT . . . . . . . . . .
87
5.6.4. Obtencion de valores gaussianos en los sitios de muestreo . . . . . . .
87
5.6.5. Simulacion de la funcion aleatoria gaussiana y truncacion . . . . . . .
88
5.7. Cosimulacion de leyes y geologa: modelo SGS-SIS . . . . . . . . . . . . . . .
89
5.7.1. Codificacion de datos en indicadores . . . . . . . . . . . . . . . . . .
89
5.7.2. Transformacion de leyes de cobre . . . . . . . . . . . . . . . . . . . .
89
5.7.3. Variografa conjunta (directa) de leyes de cobre e indicador de BXT .
89
5.7.4. Cosimulacion indicador BXT y ley de cobre . . . . . . . . . . . . . .
91
5.8. Cosimulacion de leyes y geologa: modelo SG-GT . . . . . . . . . . . . . . .
95
5.8.1. Codificacion de UG y bandera de truncacion . . . . . . . . . . . . . .
95
5.8.2. Transformacion de leyes de cobre . . . . . . . . . . . . . . . . . . . .
95
5.8.3. Variografa conjunta (indirecta) de leyes de cobre e indicador de BXT
95
5.8.4. Obtencion de valores gaussianos en los sitios de muestreo . . . . . . .
97
5.8.5. Cosimulacion de las funciones aleatorias gaussianas . . . . . . . . . .
97
5.9. Simulacion conjunta de leyes y UGs con incorporacion de conocimiento adicional 99

6. Comparaci
on de modelos
104
6.1. Estadsticas basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.1.1. Ley de cobre total
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
104
104
6.1.2. Proporcion BXT . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
107
6.2. Valores esperados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
108
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
108
6.2.2. Probabilidad de ocurrencia de brecha de turmalina . . . . . . . . . .
111
6.3. Medidas de incertidumbre local . . . . . . . . . . . . . . . . . . . . . . . . .
114
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
114
6.3.2. Probabilidad de ser BXT . . . . . . . . . . . . . . . . . . . . . . . . .
118
6.4. Curvas tonelaje-ley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
120
6.5. Derivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
122
6.5.1.
Ley de cobre total . . . . . . . . . . . . . . . . . . . . . . . . . . . .
122
6.5.2. Proporcion BXT . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
124
6.6. Fronteras
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
126
6.6.1. Correlacion cruzada por realizacion . . . . . . . . . . . . . . . . . . .
126
6.6.2. Correlacion cruzada de los valores esperados . . . . . . . . . . . . . .
127
7. Validaci
on de modelos
129
7.1. Datos y modelo de validacion . . . . . . . . . . . . . . . . . . . . . . . . . .
129
7.2. Validacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
131
7.2.1. Alcances de la validacion . . . . . . . . . . . . . . . . . . . . . . . . .
131
7.2.2. Distribucion de errores por realizacion . . . . . . . . . . . . . . . . .
132
7.2.3. Distribucion de correlacion por realizacion . . . . . . . . . . . . . . .
133
7.2.4. Acierto en destino . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
135
7.2.5. Exactitud y precision de los modelos . . . . . . . . . . . . . . . . . .
139
7.2.6. Derivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
140
8. Discusi
on
142
8.1. Aspectos distintivos de los modelos . . . . . . . . . . . . . . . . . . . . . . .
vi
142
8.1.1. Modelo cosimulado SGS-SIS . . . . . . . . . . . . . . . . . . . . . . .
142
8.1.2. Modelo con control geologico determinstico . . . . . . . . . . . . . .
142
8.1.3. Modelo de simulacion independiente UG y leyes . . . . . . . . . . . .
143
8.1.4. Modelo cosimulado GT . . . . . . . . . . . . . . . . . . . . . . . . . .
143
8.2. Implementacion de los modelos . . . . . . . . . . . . . . . . . . . . . . . . .
144
8.3. Resultados comparacion caso de estudio . . . . . . . . . . . . . . . . . . . .
144
8.3.1. Estadsticas basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
144
8.3.2. Valores esperados y medidas de incertidumbre local . . . . . . . . . .
145
8.3.3. Recursos esperados y variabilidad asociada . . . . . . . . . . . . . . .
145
8.3.4. Correlacion de leyes entre unidades simuladas . . . . . . . . . . . . .
146
8.4. Validacion de los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
146
8.5. Utilidad de los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
147
9. Conclusiones
149
9.1. Recomendaciones para futuras investigaciones . . . . . . . . . . . . . . . . .
150
9.1.1. Extensiones del modelo de cosimulacion planteado . . . . . . . . . . .
150
9.1.2. Posibles enfoques para la cosimulacion de variables continuas y categoricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
151
10.ANEXOS
164
10.1. Anexo A: Antecedentes Teoricos . . . . . . . . . . . . . . . . . . . . . . . . .
164
10.1.1. Analisis estructural geoestadstico . . . . . . . . . . . . . . . . . . . .
164
10.1.2. Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
165
10.2. Anexo B: Comparacion de los modelos . . . . . . . . . . . . . . . . . . . . .
169
10.2.1. Curvas tonelaje-ley por realizaciones . . . . . . . . . . . . . . . . . .
169
10.2.2. Perfiles por realizaciones de leyes EW
. . . . . . . . . . . . . . . . .
170
10.2.3. Perfiles por realizaciones de leyes NS . . . . . . . . . . . . . . . . . .
171
10.2.4. Perfiles por realizaciones prop. BXT EW
172
vii
. . . . . . . . . . . . . . .
10.2.5. Perfiles por realizaciones prop. BXT NS . . . . . . . . . . . . . . . .
viii
173
Indice de figuras
2.1. Ejemplo de cuatro interpretaciones geologicas, modificado de Chilès and Delfiner, 1999. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Ejemplo de dos interpretaciones geologicas con alto impacto en los recursos,
tomado de SME Mining Engineering Handbook(1992). . . . . . . . . . . . .
10
2.3. Imagen de referencia y muestras seleccionadas. . . . . . . . . . . . . . . . . .
11
2.4. Realizaciones condicionales. . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.5. Realizacion no condicional. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.6. Estimacion lineal a partir de las muestras. . . . . . . . . . . . . . . . . . . .
13
3.1. Deriva o tendencia al aumento de porosidad en la vertical, tomado de Deutsch

2002. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
3.2. Realizaciones condicionales mostrando efecto del cambio en la funcion de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
3.3. Izquierda: estimacion por kriging y muestras asociadas, derecha: grafico de

probabilidad acumulada de las muestras y valores estimados . . . . . . . . .
25
3.4. Ejemplos de distintos tipos de simulaciones. . . . . . . . . . . . . . . . . . .
27
3.5. Realizaciones de ejemplo y sus respectivos histogramas y variogramas en direcciones NS (rojo) y EW (azul), mostrando la reproduccion de los dos primeros
momentos y el condicionamiento a los datos. . . . . . . . . . . . . . . . . . .
32
3.6. Realizacion de ejemplo del metodo secuencial de indicadores con 4 litofacies.
34
3.7. Ejemplo simulacion por gaussiana truncada . . . . . . . . . . . . . . . . . . .
35
3.8. Realizaciones de simulacion gaussiana truncada, ejemplificando la flexibilidad

en el tipo de contacto: bordes definidos (izquierda) e irregulares (derecha) por
medio del modelo variografico usado. . . . . . . . . . . . . . . . . . . . . . .
36
ix
3.9. Ejemplo simulacion plurigaussiana . . . . . . . . . . . . . . . . . . . . . . . .
37
3.10. Banderas de truncacion mostrando diferentes contactos. . . . . . . . . . . . .
38
3.11. Variogramas de FAG(izquierda) y sus indicadores(derecha) correspondientes

para la litofacies en morado. . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
3.12. Variacion en alcances de facies al cambiar alcance de FAG que las controla. .
43
3.13. Relacion proporcion unidad con meseta indicador. . . . . . . . . . . . . . . .
44
3.14. Curvas de proporcion variables. . . . . . . . . . . . . . . . . . . . . . . . . .
45
3.15. Curvas de proporcion vertical. . . . . . . . . . . . . . . . . . . . . . . . . . .
46
3.16. Bandera de truncacion, modelo geologico y realizaciones plurigaussianas en

Mansa Mina, tomado de Riquelme et al, 2008. . . . . . . . . . . . . . . . . .
47
3.17. Bandera de truncacion, modelo geologico y realizacion de litofacies presentes

en la kimberlita de Orapa, tomado de Deraisme et al, 2005. . . . . . . . . . .
48
3.18. Influencia de modelos variograficos en SPG. . . . . . . . . . . . . . . . . . .
49
5.1. Ubicacion del yacimiento Ro Blanco-Los Bronces y otros depositos del Mioceno Tardo-Plioceno, Modificado de Skewes y Holmgren 1993. . . . . . . . .
59
5.2. Perfil esquematico del yacimiento Ro Blanco - Los Bronces, modificado de

Sprohnle (1988). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
5.3. Mapa geologico del yacimiento Ro Blanco-Los Bronces, tomado de Frikken,

2003. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
5.4. Seccion EO del sector Sur-Sur, tomado de Frikken, 2003. . . . . . . . . . . .
63
5.5. Imagen de sondajes mostrando la gradacion del contacto GDCC-BXT, tomado

de Frikken 2003. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
5.6. Mapa ubicacion de muestras proyectadas en planta presentando litologa. . .
69
5.7. Mapa de ubicacion de muestras proyectadas en seccion EO presentando litologa. 69

5.8. Distribucion acumulada de ley de cobre seg
un litologa original. . . . . . . .
71
5.9. Distribucion acumulada de cobre seg

un litologa. . . . . . . . . . . . . . . . .
72
5.10. Mapa de ubicacion de muestras en planta seg

un agrupacion litologica. . . . .
73
5.11. Distribucion acumulada de cobre seg

un unidad geologica. . . . . . . . . . . .
74
5.12. Vista en planta de muestras con ley de cobre. . . . . . . . . . . . . . . . . .
75
5.13. Derivas de ley de cobre por unidad geologica y derivas de proporcion de BXT.
76
5.14. Contacto de leyes de CuT entre unidades litologicas.
. . . . . . . . . . . . .
77
5.15. Contacto de leyes de CuT entre unidades geologicas.
. . . . . . . . . . . . .
77
5.16. Datos condicionantes que registran ley de CuT y unidad geologica. . . . . . .
79
5.17. Modelo variografico de variable transformada gaussiana de ley de CuT usado

en la simulacion sin control geologico. . . . . . . . . . . . . . . . . . . . . . .
81
5.18. Realizacion modelo simulacion sin control geologico. . . . . . . . . . . . . . .
82
5.19. Modelos variograficos de la variable gaussiana transformada de ley de CuT

para BXT y NoBXT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
5.20. Realizacion de ley de CuT y modelo geologico determinstico. . . . . . . . . .
85
5.21. Bandera de truncacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
5.22. Modelo variografico del indicador de BXT. . . . . . . . . . . . . . . . . . . .
87
5.23. Realizaciones ley de CuT y UG para el modelo de simulacion independiente.
88
5.24. Mod. variograficos directos entre transformada gaussiana de ley de CuT e

indicador BXT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
5.25. Realizaciones de cosimulacion SGS-SIS entre ley de CuT y UG. . . . . . . .
92
5.26. Realizaciones de UG ejemplo sintetico iz: SIS, der: SGS-SIS. . . . . . . . . .
93
5.27. Realizaciones de variable gaussiana ejemplo sintetico iz: SGS, der: SGS-SIS. .
93
5.28. Mod. variograficos indirectos entre gaussiana CuT e indicador BXT. . . . . .
96
5.29. Realizaciones de cosimulacion SG-GT entre ley de CuT y UG. . . . . . . . .
98
5.30. Muestras adicionales de unidad geologica 5 %. . . . . . . . . . . . . . . . . .
100
5.31. Realizaciones de cosimulacion incorporando un 5 % adicional de datos de UG. 100

5.32. Muestras adicionales de unidad geologica 30 %. . . . . . . . . . . . . . . . . .
101
5.33. Realizaciones de cosimulacion incorporando un 30 % adicional de datos de UG. 102

6.1. Distribucion de leyes medias de cobre por realizacion seg
un modelo. . . . . .
105
6.2. Distribucion de varianzas de ley de cobre por realizacion seg

un modelo. . . .
106
6.3. Distribucion de proporcion BXT por realizacion seg

un modelo. . . . . . . . .
107
xi
6.4. Valor esperado de leyes de cobre seg

un modelo. . . . . . . . . . . . . . . . .
109
6.5. Curvas tonelaje-ley para el promedio de las realizaciones seg

un modelo. . . .
110
6.6. Probabilidad de ser BXT seg

un modelo. . . . . . . . . . . . . . . . . . . . .
112
6.7. Unidad geologica mas probable seg

un modelo. . . . . . . . . . . . . . . . . .
113
6.8. Varianza condicional seg

un modelo. . . . . . . . . . . . . . . . . . . . . . . .
115
6.9. Coeficiente de variacion seg

un modelo. . . . . . . . . . . . . . . . . . . . . .
117
6.10. Relacion entre esperanza y varianza en un u

nico indicador. . . . . . . . . . .
118
6.11. Varianza condicional del indicador de BXT seg

un modelo. . . . . . . . . . .
119
6.12. Curvas tonelaje-ley modelos M4 y M5. Curvas decrecientes: tonelaje-ley de

corte, curvas crecientes: ley media-ley de corte, el tonelaje total se estandariza
a 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
120
6.13. Curva tonelaje-ley esperada seg

un modelo. . . . . . . . . . . . . . . . . . . .
121
6.14. Variabilidad en curvas tonelaje-ley para un intervalo de confianza de un 80 %. 121

6.15. Derivas Ley de cobre EO para modelos M4 y M5. . . . . . . . . . . . . . . .
123
6.16. Derivas esperadas para leyes de cobre en direcciones EO y NS. . . . . . . . .
123
6.17. Variabilidad en derivas para un intervalo de confianza de 80 % seg

un modelo.
124
6.18. Derivas esperadas proporcion BXT en direcciones EO y NS. . . . . . . . . .
125
6.19. Variabilidad en las derivas de la proporcion de BXT (ancho de los intervalos

de 80 % de confianza). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
125
6.20. Correlacion cruzada esperada entre leyes simuladas BXT y NoBXT. . . . . .
126
6.21. Correlacion cruzada de los valores esperados entre leyes BXT y NoBXT. . .
128
7.1. Modelo variografico de ley de CuT de pozos. . . . . . . . . . . . . . . . . . .
130
7.2. Modelo de validacion utilizando pozos de tronadura. . . . . . . . . . . . . . .
131
7.3. Error porcentual promedio por realizacion seg

un modelo. . . . . . . . . . . .
132
7.4. Distribucion de correlacion entre modelo de pozos y cada realizacion seg

un
modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
134
7.5. Grafico de dispersion entre el promedio de las realizaciones (abscisa) vs. leyes
de modelo de pozos (ordenada). . . . . . . . . . . . . . . . . . . . . . . . . .
135
xii
7.6. Acierto en destino de realizaciones para modelos M2 y M4. . . . . . . . . . .
137
7.7. Porcentaje de acierto en destino esperado seg

un modelo. . . . . . . . . . . .
138
7.8. Variabilidad en porcentaje de acierto seg

un ley de corte. . . . . . . . . . . .
139
7.9. Intervalos de probabilidad del modelo vs. frecuencia efectiva en los valores reales.140
7.10. Derivas de ley de CuT seg
un modelo y pozos de tronadura. . . . . . . . . . .
141
10.1. Curvas tonelaje-ley por realizaciones. . . . . . . . . . . . . . . . . . . . . . .
169
10.2. Perfiles por realizaciones de leyes EW. . . . . . . . . . . . . . . . . . . . . .
170
10.3. Perfiles por realizaciones de leyes NS. . . . . . . . . . . . . . . . . . . . . . .
171
10.4. Perfiles por realizaciones de proporcion BXT EW. . . . . . . . . . . . . . . .
172
10.5. Perfiles por realizaciones de proporcion BXT NS. . . . . . . . . . . . . . . .
173
xiii
Indice de tablas
5.1. Clasificacion de brechas en el sector Sur-Sur, tomado de Vargas et al, 1999. .
61
5.2. Codificacion original presente en los datos. . . . . . . . . . . . . . . . . . . .
68
5.3. Estadsticas basicas de ley de CuT seg

un litologa original. . . . . . . . . . .
70

un litologa agrupada. . . . . . . . . .
72

un unidad geologica. . . . . . . . . . .
74
5.6. Especificaciones grilla de trabajo usada en las simulaciones. . . . . . . . . . .
79
5.7. Parametros de b
usqueda usados en las simulaciones por bandas rotantes. . .
80
5.8. Parametros de b
usqueda en modelo SGS-SIS.
. . . . . . . . . . . . . . . . .
80
5.9. Modelo variografico para variable transformada gaussiana de ley de CuT (todas las muestras). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
5.10. Modelo variografico de la variable gaussiana transformada de ley de CuT para

la unidad BXT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
5.11. Modelo variografico de la variable gaussiana transformada de ley de CuT para

la unidad NoBXT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
5.12. Modelo variografico de la gaussiana asociada al indicador de BXT. . . . . . .
87
5.13. Modelo variografico para cosimulacion SGS-SIS. . . . . . . . . . . . . . . . .
90
5.14. Modelo variografico para cosimulacion gaussiana truncada. . . . . . . . . . .
96
5.15. Leyenda de codigos, color y nombre alternativo por cada modelo. . . . . . .
103
6.1. Estadsticas basicas de leyes medias por realizacion seg

un modelo. . . . . . .
105
6.2. Estadsticas basicas de varianza por realizacion seg

un modelo. . . . . . . . .
106
6.3. Estadsticas basicas de la proporcion de BXT por realizacion seg

un modelo. .
107
xiv
6.4. Estadsticas basicas para el promedio de las realizaciones de leyes de cobre

( %) seg
un modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
110
6.5. Tonelajes seg

un modelos para leyes de corte seleccionadas. . . . . . . . . . .
110
6.6. Leyes media sobre ley de corte, para leyes de corte seleccionadas. . . . . . . .
111
6.7. Porcentaje de no coincidencia en la UGMP entre los distintos modelos, M6

corresponde al modelo geologico tradicional interpretado. . . . . . . . . . . .
113
6.8. Estadisticas basicas de varianza condicional de la ley de cobre seg

un modelo.
116
6.9. Estadsticas basicas para el coeficiente de variacion puntual seg

un modelo. .
118
7.1. Especificaciones grilla de validacion. . . . . . . . . . . . . . . . . . . . . . . .
129
7.2. Modelo variografico de ley de CuT pozos de tronadura. . . . . . . . . . . . .
130
7.3. Parametros de estimacion modelo de validacion. . . . . . . . . . . . . . . . .
130
7.4. Estadsticas basicas para el error porcentual promedio por realizacion. . . . .
133
7.5. Estadsticas basicas de correlaciones por realizacion seg

un modelo. . . . . . .
134
7.6. Estadsticas grafico dispersion valor esperado vs. modelo de pozos. . . . . . .
136
xv
Captulo 1
Introducci
on
Todo yacimiento corresponde al estadio final de una serie de procesos geologicos que dan lugar
a una concentracion anomala de ciertos elementos de interes economico, donde la configuracion actual del yacimiento puede ser descrita en funcion de numerosos atributos geologicos
como litologa, alteracion, asociacion mineralogica, estructuras, etc.
Es claro que algunos de los atributos geologicos antes mencionados guardan relacion con la
distribucion espacial de las leyes. Es usual incorporar estas relaciones al momento de evaluar
los recursos al dividir el yacimiento en unidades geologicas (UG) o litofacies, correspondientes
a la reunion de uno o mas atributos geologicos, con potencial incidencia en las leyes in situ
o en los posteriores procesos metal
urgicos a los que se someta un bloque rentable.
En la actualidad, esta division se realiza a partir del modelamiento geologico basado en la
evidencia e interpretacion geologica. Finalmente, el analisis geoestadstico y la estimacion
de leyes se efect
uan por separado para cada UG, utilizando exclusivamente las muestras
pertenecientes a dicha UG.
1.1.
Problem
atica
La incertidumbre asociada a la cantidad (tonelaje) y calidad (leyes) de recursos geologicos

es un factor clave en el analisis de riesgo y la toma de decisiones en la industria minera.
Las tecnicas de estimacion de recursos y modelamiento geologico com
unmente usadas en la
industria no son del todo satisfactorias en la caracterizacion de la incertidumbre en las leyes
y unidades geologicas modeladas.
Si bien las tecnicas geoestadsticas como el kriging y sus variantes proveen una medida de la
varianza del error asociado a la estimacion de leyes, resulta ser poco atractiva al no depender
de los valores de los datos sino del arreglo geometrico de estos. Otro defecto de estas tecnicas
es que no logran capturar la variabilidad real del fenomeno, dando como resultado un modelo
mas suave (menos disperso) que la realidad.
Por su parte el modelamiento geologico se enfoca principalmente en los conceptos fenomenologicos y geneticos del yacimiento. Estos conceptos son llevados a un modelo geologico
operativo, el cual consiste en el registro de una unidad geologica especfica en cada punto del
espacio por medio de una representacion en bloques o en triangulaciones (wireframes).
El modelamiento geologico tradicional es determinstico, en el sentido de la generacion de un
u
nico modelo a partir de la informacion disponible e interpretacion geologica. Es claro que el
modelamiento geologico es de caracter subjetivo, luego potencialmente distinto dependiendo
del personal a cargo de realizarlo. Esta incertidumbre asociada a la variabilidad del fenomeno
y al nivel de informacion parcial disponible no es considerada en la generacion del modelo ni
cuantificada de alg
un modo.
De manera analoga a la estimacion de leyes el modelamiento geologico tradicional o ((manual))
es generalmente menos variable que como se presenta el fenomeno real subyacente.
Por lo tanto, los modelos geologicos tradicionales carecen de una medida de incertidumbre
en la posible aparicion de cierta unidad geologica en los sitios no muestreados y estan sujetos
a potenciales errores debido al caracter subjetivo de la interpretacion.
Un ejemplo claro son los lmites o contactos entre unidades geologicas que rara vez son conocidos con absoluta certeza. El lmite real entre las unidades es practicamente inasequible
con las muestras disponibles, por lo cual una definicion probabilstica de dichos lmites y por
ende de la extension espacial (vol
umenes) de las unidades geologicas constituye un enfoque
atractivo a la problematica del modelamiento geologico.
Un modo de abordar la caracterizacion de la incertidumbre en leyes y en la aparicion de
cierta unidad geologica, es a traves del concepto de simulaciones condicionales, cuyo objetivo
es generar numerosos modelos estocasticos del yacimiento homologables a la realidad, es decir
cada modelo reproduce ciertas caractersticas presentes en los datos junto con respetar los
valores en los sitios de muestreo.
Cada modelo corresponde a un escenario de una potencial realidad. Comparando numerosos
escenarios se logra cuantificar la incertidumbre en los valores de la variable de interes y su

variabilidad en los sitios no muestreados.
Las simulaciones condicionales son aplicables tanto a variables continuas (ley, densidad, permeabilidad, porosidad, etc.) como a variables categoricas (tipo de roca, de alteracion, codigo
de unidad geologica, etc.). Para cada tipo de variable existen numerosos metodos de simulacion los cuales seran explicitados en el captulo de antecedentes teoricos.
Dadas las relaciones existentes entre leyes y unidades geologicas, a menudo se plantea un
enfoque multietapa para las simulaciones: primero se simulan las unidades geologicas en el
espacio, para luego simular las leyes al interior de cada unidad por separado. Este procedimiento posee algunos aspectos discutibles:
Al efectuar las simulaciones de manera separada y sucesiva, no se incorpora la interrelacion entre la geologa y las leyes (la distribucion espacial de las leyes esta condicionada
por las unidades geologicas, y recprocamente la extension espacial de las unidades
puede depender de las leyes observadas).
Al realizar las simulaciones de leyes con los datos exclusivamente pertenecientes a una
unidad geologica simulada, se supone independencia entre los datos pertenecientes a
unidades contiguas. Esto se puede traducir en transiciones abruptas de las leyes al pasar
de una UG a otra (contactos duros entre dos o mas UG), hecho que no necesariamente
se verifica en los datos disponibles.
Por lo tanto, la mera division de las distribuciones de leyes en unidades geologicas, constituye
una aproximacion simplista del control geologico en la estimacion de recursos al no considerar
la variabilidad espacial conjunta (interrelacion) de leyes y unidades geologicas.
Es natural pensar que la distribucion de leyes en el espacio estara mejor caracterizada cuanta
mas informacion no redundante se incorpore en la evaluacion de recursos. Luego un enfoque
que considere la variabilidad espacial conjunta (interrelacion) de leyes y unidades geologicas
constituye un aporte importante en la evaluacion de recursos.
1.2.
Hip
otesis de trabajo
El trabajo se sustenta en las siguientes hipotesis:

1. La variabilidad espacial de las leyes esta controlada por las caractersticas geologicas
presentes en el deposito.
2. La unidad geologica en un sitio no muestreado es asignada seg
un un modelo geologico
determinstico carente de una cuantificacion de incertidumbre y sujeto a potenciales
errores.
3. Los lmites o contactos entre las unidades geologicas, rara vez son conocidos con absoluta certeza, luego el lmite real entre las unidades es inasequible con las muestras
disponibles.
4. La metodologa habitual en evaluacion de recursos geologicos (va estimacion por kriging o simulaciones de leyes) no incorpora plenamente el control de los atributos geologicos en las leyes, es decir, no explota plenamente la interrelacion entre leyes y geologa.
1.3.
Objetivo general
Dise
nar y aplicar metodologas para la simulacion conjunta de unidades geologicas y leyes de
cobre en depositos mineros.
1.3.1.
Objetivos especficos
1. Efectuar un acercamiento probabilstico al modelamiento de unidades geologicas por

medio de simulaciones geoestadsticas.
2. Efectuar simulaciones condicionales de leyes de cobre en el yacimiento sin considerar
divisiones en unidades geologicas.
3. Aplicar simulacion en etapas sucesivas: simular las unidades geologicas en el espacio y
posteriormente las leyes de cobre al interior de las unidades previamente simuladas.
4. Dise
nar metodologas de simulacion conjunta (simultanea) para las unidades geologicas
y leyes de cobre.
5. Incorporar el conocimiento geologico del deposito en la simulacion de leyes de cobre y
de unidades geologicas, mas alla de los atributos geologicos disponibles en los puntos
de muestreo.
6. Evaluar la incertidumbre de tonelajes y leyes de las unidades geologicas a partir de los
escenarios.
7. Comparacion y evaluacion del desempe
no de los modelos de simulacion al contrastarlos
con la realidad.
1.4.
Alcances
El estudio consiste en aplicar, comparar y validar los metodos geoestadsticos que incorporen
el control geologico en la evaluacion de recursos minerales. Para ello se cuenta con datos
de sondajes provenientes del sector Sur-Sur del yacimiento Ro Blanco - Los Bronces que
registran litologa y leyes de cobre. Para la validacion se cuenta con datos de pozos de
tronadura que registran ley de cobre.
El estudio se enfoca en la relacion existente entre la litologa (tipo de roca) y la ley de cobre.
Los modelos probabilsticos a aplicar son los siguientes:
Simulacion de leyes de cobre sin control geologico.
Simulacion de leyes de cobre enmarcado en un modelo determinstico de litologa existente para el yacimiento.
Simulacion conjunta de litologa y leyes de cobre.
Simulacion conjunta de litologa y leyes de cobre incorporando conocimiento geologico
adicional.
Los distintos modelos seran comparados en diversos aspectos tales como tonelajes, metal
contenido, leyes, variabilidad espacial, entre otros. Finalmente el desempe
no de los modelos
sera evaluado al comparar los resultados con informacion de pozos de tronaduras disponible
en el deposito bajo distintos criterios de calidad, para obtener una imagen global de las
ventajas y desventajas de cada modelo.
Captulo 2
Estado del arte
2.1.
Modelamiento geol
ogico tradicional
El modelamiento geologico tradicional de yacimientos se encarga de establecer la extension

espacial o vol
umenes de unidades asociadas a cierto atributo petrofsico como litologa, alteracion, zonas minerales, etc..
A grandes rasgos la puesta en marcha del modelamiento geologico tradicional posee las siguientes etapas:
Mapeo de atributos de las muestras disponibles.
Conceptualizacion genetica y fenomenologica del deposito en estudio.
Seleccion del objetivo del modelo y establecimiento de atributos a modelar.
Generacion de interpretaciones tipos, que constituyen guas para el paso siguiente.
Generacion de plantas/secciones intermedias y/o wireframes 3D para el resto del deposito.
El punto crucial de un modelo geologico orientado a la explotacion de cierto recurso mineral,
es establecer variables predictoras que sean control de la distribucion de leyes del recurso
en cuestion. Estas variables predictoras deben posibilitar establecer dominios geologica y
estadsticamente homogeneos, as como permitir el modelamiento tridimensional del dominio.
Muchas veces un solo atributo petrofsico no es suficiente para caracterizar las distribuciones
de leyes de cierto elemento, recurriendose al uso de dos o mas atributos combinados para la
eleccion.
La realizacion practica consiste en la interpretacion manual en planos de las unidades a

modelar a partir de la informacion disponible. Esta interpretacion debe respetar tanto los
conceptos geologicos planteados as como las muestras disponibles.
La interpretacion geologica tiene un caracter subjetivo sujeta al juicio particular del responsable en realizarlo. En cierta medida, la interpretacion se encuentra sesgada a la experiencia y
concepcion del modelo. Para ejemplificar este hecho la figura 2.1 presenta cuatro interpretaciones distintas del espesor de un cuerpo de arena realizadas a partir de la misma informacion.
En la figura se aprecia como al variar el concepto geologico subyacente se obtienen modelos
muy distintos entre s. Cada una de las interpretaciones representa un ambiente deposicional
distinto, por ejemplo la subfigura A presenta un ambiente deposicional asociado a canales
meandricos mientras que la figura D que presenta una barrera erodada por un canal de marea. Por otro lado, la interpretacion es mas incierta cuanto mas lejana se encuentra de los
datos disponibles, luego es necesario asumir ciertas caractersticas en las interpretaciones tales como nivel de continuidad, conectividad, nivel de extrapolacion, relaciones de contacto,
entre otros. Todas estas caractersticas son decididas por el geologo modelador muchas veces
al momento de la interpretacion.
Esta incertidumbre asociada al nivel parcial de informacion, se traduce en el alto n
umero de
posibles opciones por donde modelar los contactos entre unidades (figura 2.2) o isopacas en
el ejemplo de la figura 2.1.
Ya sea por el escenario geologico asumido o por el nivel parcial de la informacion disponible,
los modelos geologicos tradicionales estan sujetos a potenciales errores con respecto a la realidad y no proveen cuantificacion alguna para estos posibles errores. Luego, una aproximacion
probabilstica o estocastica constituye un enfoque interesante para el modelamiento geologico,
aproximacion que provee medidas de incertidumbre asociadas al nivel de informacion parcial
y variabilidad espacial en la ocurrencia de un atributo petrofsico.
Figura 2.1: Ejemplo de cuatro interpretaciones geologicas, modificado de Chilès and Delfiner,
1999.
Figura 2.2: Ejemplo de dos interpretaciones geologicas con alto impacto en los recursos,
tomado de SME Mining Engineering Handbook(1992).
Es necesario aclarar, que ninguna aproximacion probabilstica subsanara la eleccion incorrecta

del escenario geologico para el deposito en estudio, sino que solo proveera un modelo de
incertidumbre a partir de numerosos escenarios de lo que podra ser la realidad en terminos
de como ha sido descrita.
10
2.2.
Simulaciones geoestadsticas
Las simulaciones geoestadsticas corresponden a un conjunto de metodologas que pretenden

generar diferentes escenarios de una potencial realidad, a partir de cierto nivel de informacion
disponible. La principal caracterstica de las simulaciones, es la reproduccion de algunas propiedades importantes del fenomeno en cuestion tales como variabilidad espacial e histograma
de sus valores.
2.2.1.
Ejemplo introductorio a las simulaciones
Para presentar el concepto y contrastarlo con las estimaciones se presenta un ejemplo al

muestrear una imagen de referencia conocida en su totalidad. La imagen 2.3 corresponde a
una fotografa de un corte pulido de una granodiorita, la cual ha sido representada en escala
de grises.
Figura 2.3: Imagen de referencia y muestras seleccionadas.

A partir de estas muestras es posible inferir algunas de las caractersticas antes mencionadas
de la imagen de referencia, tales como proporcion de minerales maficos, continuidad en la
ocurrencia de los minerales, etc.
2.2.1.1.
Simulaciones condicionales
La figura 2.4 presenta tres imagenes asimilables a la de referencia. Estas imagenes generadas
con las propiedades determinadas y muestras disponibles son denominadas como realizaciones
condicionales, las cuales respetan los valores en sitios de muestreo as como la variabilidad
espacial e histograma inferidos a partir de las muestras.
En la figura 2.4 se aprecia el nivel considerable de semejanza entre las realizaciones y la
imagen de referencia, mostrando una textura similar e identificable por expertos en el area
como la imagen de una roca.
11
Figura 2.4: Realizaciones condicionales.

2.2.1.2.
Simulaciones no condicionales
Utilizando las propiedades inferidas de las muestras, es incluso posible generar escenarios que
no consideran las muestras en s, es decir, los escenarios no contienen las muestras originales.
Estos escenarios son denominados como realizaciones no condicionales.
Las simulaciones no condicionales, pese a no utilizar expresamente las muestras de la imagen
de referencia, proveen escenarios similares a la imagen original en terminos de texturas y
proporciones de minerales maficos, como se ejemplifica en la figura 2.5.
Figura 2.5: Realizacion no condicional.
12
2.2.1.3.
Estimaci
on versus simulaci
on
La estimacion corresponde a cualquier metodo de interpolacion cuyo objetivo es predecir el

valor de cierta variable en sitios no muestreados.
Para contrastar las realizaciones provenientes de simulaciones, la figura 2.6 presenta una
estimacion a partir de las muestras. Se aprecia que la estimacion respeta las zonas de valores
altos y bajos, pero se presenta mucho mas suave que la imagen de referencia, es decir, la
estimacion no captura la variabilidad real del fenomeno de estudio.
Figura 2.6: Estimacion lineal a partir de las muestras.
La utilidad principal de las simulaciones es poder considerar cada realizacion como si fuera la
realidad, luego cualquier procedimiento o proceso puede ser evaluado, de manera insesgada,
en cada realizacion.
En este ejemplo es posible obtener la probabilidad de ocurrencia de minerales maficos en
cada uno de los pixeles de la imagen, u obtener en que sitios se registra mayor incertidumbre
o variabilidad, medidas que no son posibles de obtener a partir de la estimacion.
Finalizada esta seccion introductoria al concepto de simulaciones se procede con el estado
del arte de las simulaciones en las secciones subsiguientes.
2.2.2.
Simulaci
on de variables continuas
Las simulaciones de variables continuas como leyes minerales, son ampliamente usadas y
aceptadas como un modo de generar modelos estocasticos de depositos minerales (Chilès
and Delfiner, 1999), en especial cuando la variabilidad del fenomeno es un factor crtico del
problema a abordar. Al momento de simular se requiere escoger un modelo y algoritmo de
simulacion. Por su sencillez teorica y puesta en marcha practica, el llamado modelo multigaussiano es el mas utilizado, el cual se detallara en la seccion de antecedentes teoricos.
13
2.2.3.
Simulaci
on de variables categ
oricas
La simulacion de variables categoricas surge en la b

usqueda de una caracterizacion de unidades geologicas o litofacies con incidencia en atributos petrofsicos como permeabilidad y
porosidad en el modelamiento de reservorios. La idea central es simular la extension espacial
y morfologa de las litofacies en el espacio.
Los dos principales metodos de simulacion de variables categoricas lo constituyen el metodo
de gaussiana truncada desarrollado por el grupo HERESIM (Heterogeneous Reservoir Simulation) perteneciente al Instituto Frances del Petroleo y Escuela de Minas de Pars, y la
simulacion secuencial de indicadores desarrollada en el SCRF (Stanford Center for Reservoir
Forecasting) en la Universidad de Stanford.
La idea central de la simulacion por gaussiana truncada es reproducir las litofacies por medio
de la truncacion m
ultiple de una funcion aleatoria gaussiana (FAG). La principal restriccion
de este metodo es que es aplicable solo a casos donde las litofacies estan dispuestas en un
orden estricto, por ejemplo, secuencias estratigraficas, depositos mantiformes, etc.
Para salir de ese problema fue desarrollado el metodo de las simulacion plurigaussiana (Galli
et al, 1994) que, al utilizar la truncacion simultanea de varias funciones aleatorias gaussianas,
logra reproducir morfologas asimilables a procesos geologicos de naturaleza distinta como
intrusiones, diatremas etc., o cualquier conjunto de litofacies que no se encuentren distribuidas
espacialmente en un orden estricto.
La simulacion secuencial de indicadores surge como un derivado de la estimacion por kriging
de indicadores (Journel, 1983). Este metodo es especialmente atractivo cuando la variable regionalizada presenta correlacion en las leyes extremas, pues dicho fenomeno no puede ser bien
caracterizado por funciones aleatorias gaussianas. Por otro lado adolece de la problematica
de los enfoques no parametricos, por cuanto la funcion aleatoria a simular no queda completamente especificada (Emery, 2004a).
2.2.4.
Control geol
ogico en simulaci
on de variables petrofsicas
Los primeros pasos en incorporar el control geologico por medio de simulacion de litofacies
fueron dados por Journel y Isaaks (1984), quienes simularon las zonas de altas y bajas leyes
en un deposito de uranio y arsenico, para luego simular las leyes al interior de dichas zonas. La
metodologa aplicada consista en la truncacion de una simulacion gaussiana no condicional
por medio de un u
nico indicador que divida las zonas de altas y bajas leyes. El condicionamiento era llevado a cabo por medio de un kriging ordinario de los datos condicionantes y de
la simulacion no condicional en los sitios de muestreo, utilizando un solo modelo variografico
para ambos kriging, constituyendo un condicionamiento engorroso y aproximado.
Esta metodologa fue extendida a mas de dos litofacies con m
ultiples indicadores, pero dicha
aproximacion, ademas del problema del condicionamiento, posea dificultad en la determinacion de la funcion de covarianza relativa a la funcion aleatoria subyacente (FAG).
14
Este enfoque da lugar a la metodologa multietapa (o en cascada) para la simulacion de las

litofacies y atributos petrofsicos de las mismas, el cual fue desarrollado en aplicaciones de
hidrogeologa o a reservorios petrolferos (Dubrule, 1993).
La metodologa multietapa se explica a continuacion:
1. Simulacion de las unidades geneticas, que corresponden a grandes unidades que controlan o contienen distintos tipos de litofacies (canales fluviales, secuencias turbidticas,
etc.).
2. Simulacion de las litofacies dentro de cada unidad genetica (areniscas, lutitas, arenas
no consolidadas, etc.).
3. Luego se procede a simular (o estimar) la variable petrofsica en estudio (permeabilidad,
porosidad, ley mineral, etc.) dentro de cada litofacies perteneciente a cada unidad
genetica.
Esta metodologa no da cuenta del todo de la interrelacion entre los atributos petrofsicos y
el tipo de litofacies, por ejemplo entre el paso 2 y 3 no existe ligazon alguna salvo el tipo de
litofacies dentro de la cual se simula el atributo petrofsico.
2.2.5.
Aproximaciones a la cosimulaci
oricas
y continuas
Una de las primeras aplicaciones de cosimulacion corresponde al trabajo de Freulon et al

(1990) quien cosimulo la aparicion de una estructura y las leyes dentro de ella al expresar
la ley como una suma de dos componentes: la ocurrencia de la estructura y una variable
residual asociada, donde utiliza el metodo de gaussiana truncada para simular el indicador
que da cuenta de la presencia o ausencia de la estructura.
Por otro lado Dowd (1997) extiende esta idea, en un procedimiento de dos pasos: el primer
paso consiste en simular por gaussiana truncada varias litofacies (codificadas en una variable
categorica), usando el algoritmo secuencial gaussiano. La segunda etapa consiste en cosimular
en cada nodo la variable continua utilizando como datos condicionantes los valores obtenidos
en la etapa anterior y los datos asociados a la variable continua.
En este enfoque la u
nica instancia en que se manifiesta la relacion entre ambas variables
(continua y categorica) es al cokrigear los valores previamente simulados y no los valores
originales. Por otro lado se utiliza la variable categorica para simular la variable continua y
lo opuesto no ocurre, luego las litofacies son simuladas independientemente de las leyes en el
primer paso, sin existir una real cosimulacion.
Una tecnica mas simplificadora es tratada por Bahar (1997) en su tesis doctoral cuya idea
es simular independientemente las variables categoricas y continuas, donde las simulaciones
15
de variables continuas son realizadas por simulacion gaussiana. La idea basica es generar la
transformacion de la variable continua al espacio gaussiano por medio de una transformacion condicional a los datos categoricos. Posteriormente se simula independientemente las
variables categoricas y continuas en una misma ejecucion del algoritmo secuencial gaussiano.
Finalmente se realiza una transformacion inversa de los valores simulados seg
un la unidad
simulada a la que pertenezcan. De este modo, la u
nica relacion entre las variables continuas
(petrofsicas) y categoricas (litofacies) lo constituye la distribucion condicional, evitando el
calculo de variogramas cruzados y grandes sistemas de cokriging para condicionar los datos.
Esta aproximacion, si bien es atractiva, no mide del todo el control geologico ejercido por las
litofacies en las variables petrofsicas.
16
Captulo 3
Antecedentes te
oricos
A continuacion se presenta un breve resumen de las herramientas geoestadsticas a utilizar en
el desarrollo del presente trabajo. Se hace hincapie en las bases teoricas de la geoestadstica.
3.1.
Bases de la geoestadstica
La geoestadstica corresponde a una rama de la estadstica aplicada a fenomenos regionalizados, es decir desarrollados en el espacio o tiempo, la cual se ocupa de analizar las relaciones
espaciales entre los datos disponibles y diferentes vol
umenes a estudiar.
La geoestadstica ha sido aplicada con exito en diversas areas geocientficas, en especial
en la evaluacion de recursos naturales (minerales, forestales, petroleo y gas), as como en
hidrogeologa, medio ambiente y meteorologa.
3.1.1.
Conceptos fundamentales
Variable aleatoria (VA): variable que puede tomar una serie de posibles valores de acuerdo
a su distribucion de probabilidad.
Variable regionalizada (VR): denotada como z(x) corresponde a una descripcion numerica del fenomeno regionalizado (fenomeno distribuido en una region del espacio), donde x
corresponde a un sitio o porcion del espacio (muestreado o no).
Como ejemplo de variables regionalizadas es posible mencionar: las leyes minerales, concentracion de contaminantes, densidad de roca, etc.
Una variable regionalizada presenta un aspecto dual: localmente presenta un caracter erratico
17
o aleatorio donde una descripcion probabilstica es adecuada y por otro lado un aspecto
global mas estructurado, en el cual una interpretacion funcional es necesaria. En el caso multivariable, se habla de coregionalizacion para indicar un conjunto de variables regionalizadas.
Campo (D): es la region del espacio donde tiene lugar el fenomeno regionalizado o hasta
donde tiene sentido estudiarlo, tpicamente en minera, el lmite de un yacimiento. Es usual
trabajar en una porcion del campo denominada Dominio.
Soporte: corresponde al volumen sobre el cual se define la variable regionalizada. En terminos
mineros: unidades de seleccion minera (bloques), muestras en sondajes, poligonales, etc. Para
aplicar las tecnicas de cambio de soporte (por ejemplo, desde muestra a bloque), es necesario
que la variable regionalizada sea aditiva, es decir, la combinacion lineal de valores de la VR
posea el mismo sentido fsico que un soporte puntual, o en terminos simplificadores, que el
valor de la VR en un volumen corresponda a la media de los valores puntuales dentro del
volumen.
Funci
on aleatoria (FA): Una de las suposiciones basicas en geoestadstica es la interpretacion de cada valor en el espacio de la variable regionalizada z(x) como el resultado o
realizacion de una variable aleatoria Z(x). Al conjunto de variables aleatorias {Z(x); x D}
se le denomina funcion aleatoria Z. Por su parte el conjunto {z(x); x D} que corresponde
a la variable regionalizada es entendida como una realizacion de la funcion aleatoria Z.
Esta interpretacion permite representar el caracter dual de la variable regionalizada, el aspecto erratico local entregado por la variable aleatoria Z(x) y el aspecto estructurado entregado
por las correlaciones espaciales existentes entre las variables aleatorias Z(x) que constituyen la funcion aleatoria Z. Por otro lado, dicha interpretacion permite pensar que los datos
disponibles constituyen una mas de las posibles realizaciones de Z en los sitios de muestreo.
Distribuci
on espacial: Como antes se menciono la FA Z se compone de varias variables
aleatorias definidas en el espacio. La descripcion de la FA corresponde al conjunto de las
distribuciones de los vectores aleatorios (Z(x1 ), . . . , Z(xk )) para todos sus posibles tama
nos k
y para todas las posibles ubicaciones, donde la distribucion de un vector aleatorio corresponde
a la distribucion conjunta de sus componentes:
Fx1 ,...,xk (z1 , . . . , zk ) = prob(Z(x1 ) < z1 , . . . , Z(xk ) < zk )
(3.1)
Este conjunto de distribuciones {Fx1 ,...,xk (z1 , . . . , zk ); k \, xi D}, constituye la distribucion espacial de la funcion aleatoria Z.
En la practica, la distribucion espacial es inasequible y en cierta medida innecesaria, pues en
general, con caracterizar los primeros momentos de la distribucion espacial es posible generar
un modelo aceptable de la realidad.
18
3.1.1.1.
3.1.1.1.1.
Momentos
Esperanza o momento de orden uno:
E(Z(x)) = m(x) corresponde a la media de la distribucion de la variable aleatoria Z(x) en

el sitio x. Cuando m(x) vara en el espacio la funcion aleatoria Z presenta deriva, es decir,
una tendencia sistematica en su variacion espacial. La figura 3.1 presenta la disminucion de
porosidad en profundidad, como ejemplo de deriva en la funcion aleatoria.
Figura 3.1: Deriva o tendencia al aumento de porosidad en la vertical, tomado de Deutsch

2002.
3.1.1.1.2.
Momentos de orden dos:
Z(x1 ) y Z(x2 ) corresponden a variables aleatorias en los sitios x1 y x2 .

Varianza: V ar[Z(x)] = E {Z(x) E(Z(x)2 )} = E {Z(x)2 } m(x)2
Covarianza: Cov[Z(x1 ), Z(x2 )] = E {[Z(x1 ) m(x1 )][Z(x2 ) m(x2 )]}
Variograma: (x1 , x2 ) = 21 V ar(Z(x1 ) Z(x2 ))
Correlograma: (x1 , x2 ) =
Cov(Z(x1 ),Z(x2 ))
V ar(Z(x1 ))V ar(Z(x2 ))
La covarianza, variograma y correlograma miden la correlacion (dependencia) existente entre

variables aleatorias Z(x1 ) y Z(x2 ), que permiten caracterizar la ((continuidad)) espacial de las
variables aleatorias.
19
Figura 3.2: Realizaciones condicionales mostrando efecto del cambio en la funcion de covarianza.
La figura 3.2 presenta tres realizaciones con diferentes funciones de covarianza. Las subfiguras 1 y 2 presentan la misma textura pero distinto nivel de continuidad, mientras que las
subfiguras 1 y 3 presentan un nivel similar de continuidad, pero con una textura distinta.
Estos momentos pueden ser extendidos al caso multivariable, considerando la variacion conjunta de dos variables en el espacio (por ejemplo, leyes de cobre total y cobre soluble). Estas
extensiones son denominadas como variograma cruzado o covarianza cruzada.
3.1.1.2.
Inferencia de los par

ametros de la distribuci
on espacial
Solo es posible aceptar la interpretacion de la variable regionalizada como una realizacion de

Z, si es posible inferir los parametros de la distribucion espacial de Z. De este modo los momentos definidos anteriormente solo son calculables si se contara con una serie de realizaciones
de Z en las ubicaciones x1 y x2 . Esto es imposible en muchos campos de aplicacion como
lo es en geologa, donde solo existe un deposito con caractersticas propias(((cada deposito
es un mundo propio))). Por ende solo se cuenta con una u
nica realizacion del fenomeno, que
ademas solo es conocida parcialmente en los sitios de muestreo. Por lo tanto para inferir los
parametros de la distribucion espacial es necesario evitar la dependencia de otras realizaciones, sino que la inferencia debe ser exclusivamente a partir de los datos disponibles. Para ello
es necesario asumir ciertas consideraciones, que se explican continuacion.
3.1.1.2.1.
Estacionaridad
La llamada hipotesis de estacionaridad, consiste en asumir una suerte de homogeneidad

espacial, que se puede expresar como sigue: todo pasa de la misma manera en los distintos
lugares del espacio. Esta homogeneidad espacial sustenta, en cierta medida, el concepto de
unidad geologica.
Existen distintos tipos de estacionaridad que se listan a continuacion:
20
Estacionaridad estricta:
Corresponde a una invarianza por traslacion de la distribucion espacial de una funcion aleatoria Z. Es decir para cualquier incremento ~h se cumple que:
Fx1 ,...,xk (z1 , . . . , zk ) = Fx1 +h,...,xk +h (z1 , . . . , zk )
(3.2)
En particular todos los momentos deben ser invariantes por traslacion. Esta hipotesis es
sumamente fuerte, la cual se puede relajar a los dos primeros momentos, como se describe a
continuacion:
Estacionaridad de orden dos
La esperanza existe y no depende del sitio x y para cada par (Z(x), Z(x + h)) la covarianza
existe y solo depende de h:
E(Z(x)) = m
Cov(Z(x), Z(x + h)) = C(h)
Bajo esta hipotesis y sin perdida de generalidad se puede considerar que el valor de la esperanza es nula (basta con sustraer m a los valores z) es posible expresar:
V ar(Z(x)) = E{(Z(x)2 } = 2 (cte)
1
(Z(x1 ), Z(x2 )) = (h) = V ar(Z(x) Z(x + h))
2
Donde se cumple la relacion (h) = C(0) C(h) (C(0) = Cov(Z(x), Z(x)) = V ar(Z(x)) =
2 varianza a priori de Z); da cuenta que el variograma y covarianza son herramientas
equivalentes que miden el grado de correlacion (o no correlacion) espacial de Z.
Estacionaridad intrnseca
Consiste en asumir que los crecimientos de la funcion aleatoria son estacionarios de orden
dos:
E(Z(x) Z(x + h)) = m(h)
Cov(Z(x1 + h1 ) Z(x1 ), Z(x2 + h2 ) Z(x2 )) = C(x1 x2 , h1 , h2 )
Se aprecia que la covarianza ahora es funcion de los puntos x1 , x2 , h1 y h2 . En este caso
la relacion (h) = C(0) C(h) solo es valida cuando existe funcion de covarianza, esto es,
cuando el variograma es acotado.
Es importante destacar que la hipotesis de estacionaridad es una propiedad sobre la funcion
aleatoria. Hacer referencia a una variable regionalizada estacionaria o de datos estacionarios
no es del todo ortodoxo, mas bien se debe entender la variable regionalizada como una
realizacion de una funcion aleatoria estacionaria.
21
Por otro lado la estacionaridad es relativa a la escala de trabajo. Tpicamente para estimar
o simular la variable en un sitio, es usual considerar solo una vecindad en torno al punto,
luego basta con que la variable regionalizada se ajuste localmente a un modelo estacionario
para llevar a cabo la inferencia de los momentos.
De este modo el asumir estacionaridad estricta, de orden dos o intrinseca correspone a una
desicion de modelamiento en las propiedades de la funcion aleatoria a utilizar para describir
el fenomeno regionalizado.
3.2.
3.2.1.
Estimaci
on o predicci
on espacial
An
alisis exploratorio de datos
Este analisis corresponde a la etapa inicial de cualquier estimacion. Consiste en estudiar los
datos disponibles verificando la consistencia de los datos, analizando su distribucion global,
necesidad de desagrupamiento (en caso de malla de muestreo irregular), distribuciones por
unidades geologicas, analisis de derivas, analisis de contactos entre UG, presencia de datos
atpicos o aberrantes, registros duplicados, revision de relaciones multivariables, entre otros.
3.2.2.
An
alisis estructural geoestadstico
Consiste en modelar la correlacion espacial por medio de estimadores del variograma o covarianza a partir de los datos disponibles. Las expresiones de dichos estimadores se presentan
en el anexo A.
El variograma modelado es uno de los parametros de entrada en la estimacion por kriging
que se detalla a continuacion.
3.2.3.
Estimaci
on
Consiste en interpolar el valor de la variable regionalizada en un sitio del espacio, ya sea en

un soporte puntual o volumetrico, a partir de sitios donde se conoce su valor. Para realizar
esto, existen numerosas tecnicas como inverso de la distancia, metodo de los polgonos de
influencia, etc., cuya mayor deficiencia es no tomar en consideracion la estructuracion espacial de la variable. A continuacion se detalla la estimacion por kriging, una de las tecnicas
geoestadsticas mas usadas en la evaluacion de recursos geologicos.
22
3.2.3.1.
Kriging
Corresponden a la familia de estimadores lineales que minimizan la varianza del error de

estimacion (varianza de kriging), llamados as en honor a Danie Krige, uno de los pioneros en
el campo de la geoestadstica. Para exponer el problema supongamos que se conoce el valor
de la variable regionalizada en los sitios x1 , . . . , xn y se desea estimar el valor en el sitio x.
Para ello se recurre al formalismo de las funciones aleatorias donde se define el estimador:
Z (x) =
n
X
[Z(x ) m(x )] + m(x)
(3.3)
=1
donde , es el peso asignado al dato Z(x ) interpretado como una realizacion de la VA

Z(x ),m(x) y m(x ) son los valores esperados de las variables aleatorias Z(x) y Z(x ) respectivamente.
La interpretacion del valor desconocido z(x) y de los datos z(x ), como realizaciones de
variables aleatorias, permite definir el error de estimacion mismo como una variable aleatoria
Ee = (Z (x) Z(x)), que se desea que posea ciertas caractersticas:
Restriccion de autorizacion: Ee posea esperanza y varianza.
Restriccion de insesgo: E(Ee ) = 0.
Restriccion de optimalidad Var(Ee ) sea mnima, corresponde al criterio de calidad
que se le exige al estimador.
De este modo, la idea central de la estimacion por kriging es encontrar los pesos tales que el
estimador Z (x) sea insesgado y minimice la varianza del error de estimacion.
e2 (x) = V ar(Z (x) Z(x))] sea mnima

.E(Z (x) Z(x)) = 0.
Las distintas variedades de kriging surgen del modelo adoptado para la funcion aleatoria Z.
Es usual dividir la funcion aleatoria en una componente residual R estacionaria de media
nula y en una componente m que da cuenta de la deriva de la FA Z:
Z(x) = R(x) + m(x)
(3.4)
Los distintos tipos de kriging se diferencian de acuerdo al modelo asumido para m(x):
Kriging simple (KS ): m(x) se asume conocida y generalmente constante en el espacio.
23
Kriging Ordinario (KO): m(x) se asume desconocida y constante en el espacio. De

fondo se puede asumir estacionaridad local, para dar cuenta de las variaciones de m(x).
Kriging Universal (KU ): m(x) se asume desconocida y variable en el espacio, donde
las variaciones pueden ser caracterizadas por una descripcion funcional de la deriva
(dependiente de las coordenadas X, Y, Z, o combinaciones de estas y de sus potencias).
Los detalles de los dos primeras variantes del kriging son presentadas en el anexo A.
3.2.3.2.
Cokriging (COK )
Es una tecnica geoestadstica multivariable, cuyo objetivo es mejorar la estimacion de la

variable de interes recurriendo a variables secundarias, las que pueden estar correlacionadas
con la variable a estimar. Las ecuaciones y detalles asociados se presentan en el anexo A.
Una de las caractersticas interesantes del cokriging es la posibilidad de incorporar las relaciones espaciales existentes entre las variables de interes. Este aspecto es fundamental en la
aplicacion de la cosimulacion del presente estudio.
La estimacion por cokriging no solo permite la estimacion de variables registradas en los
mismos sitios de muestreo (denominado como muestreo homotopico), sino que permite la
estimacion de variables no muestreadas en los mismos puntos. Por ejemplo es usual tener
mayor cantidad de registros de leyes de cobre total que de cobre soluble. Esta situacion es
denominada como muestreo heterotopico.
Un aspecto importante es que en la estimacion por cokriging, la u
nica relacion asumida entre
las variables es la covarianza cruzada y ninguna hipotesis o decision es adoptada con respecto
a la relacion de los valores de las variables directamente.
Algunas propiedades del kriging
La estimacion por kriging considera:
La configuracion espacial de los sitios de observacion.
La configuracion espacial entre el punto a estimar y los sitios de observacion. , as como
su estructuracion espacial mediante la funcion de covarianza o variograma.
Cabe destacar que los pesos no dependen directamente de los valores observados. Del mismo
modo la varianza de kriging depende solo de la configuracion geometrica de los sitios conocidos
y la funcion de covarianza modelada, es decir, la varianza de kriging no distingue entre zonas
con valores mas variables que otras.
El kriging puntual es un interpolador exacto: Z (xi ) = Z(xi ), xi sitio de muestreo, es decir
en los sitios de muestreo la estimacion por kriging entrega el valor de la muestra.
24
La estimacion por kriging es siempre mas suave que la variable regionalizada, es decir presenta
menos fluctuaciones. La figura 3.3 (izquierda) muestra una estimacion por kriging y las
muestras utilizadas, se aprecia como los valores estimados son suaves, donde el nivel de
suavizamiento aumenta al alejarse de los datos. La figura 3.3 (derecha) muestra los graficos
de probabilidad de las muestras (azul) y valores estimados (rojo). Se observa que los valores
estimados son menos variables (suaves), presentando una menor porcion de valores extremos
y mas valores medios que las muestras.
Figura 3.3: Izquierda: estimacion por kriging y muestras asociadas, derecha: grafico de probabilidad acumulada de las muestras y valores estimados
Es importante destacar que el error de estimacion del kriging simple no esta correlacionado
a cada uno de los datos y por ende a cualquier combinacion lineal de estos. Esta propiedad
denominada ortogonalidad del KS, es fundamental para los metodos de simulacion condicional
gaussiana.
3.3.
Simulaciones
Las simulaciones corresponden a un metodo geoestadstico que pretende construir varios

escenarios plausibles y equiprobables de la realidad que repliquen la estructura espacial de
la variable en estudio.
Para ello se recurre a la interpretacion de la variable regionalizada z(x) como una realizacion
mas de la funcion aleatoria Z. Luego la idea central es construir otras realizaciones de esta
funcion aleatoria.
Para generar dichas realizaciones es necesario conocer la distribucion espacial de Z, es decir el conjunto de las distribuciones multivariable de la funcion aleatoria. En particular, la
25
simulacion debe poseer la misma esperanza, funcion de covarianza, distribucion marginal,

distribuciones bivariables, etc. de la funcion aleatoria Z.
Hasta este punto se dice que la simulacion es no condicional, es decir respeta la distribucion
espacial de la funcion aleatoria, pero no necesariamente los datos disponibles. En el caso
que se desee que la simulacion devuelva los valores en sitios de muestreo se le denomina
simulacion condicional. Esta exigencia es mas que la mera reproduccion de los valores en
los sitios de muestreo, cada simulacion condicional debe devolver los datos en los sitios de
muestreo respetando la distribucion espacial de Z.
Para inferir los parametros de la distribucion espacial se requiere, generalmente, asumir un
modelo estacionario para la funcion aleatoria Z(x). Pese a ello una simulacion condicional
no es necesariamente estacionaria: en particular, si los datos presentan caractersticas no
estacionarias (tendencias), las realizaciones poseeran dicho aspecto.
Por otro lado acceder a la distribucion espacial es imposible a partir de una u
nica realizacion, luego es considerado suficiente, lograr reproducir los primeros momentos hasta las
distribuciones bivariables.
Es importante considerar que la simulacion no pretende explicar ni reproducir el proceso
genetico que da lugar al fenomeno en estudio, sino replicar el resultado del mismo en terminos
de como ha sido descrito.
3.3.1.
Tipos de simulaciones
Las simulaciones se pueden clasificar seg

un el objeto de estudio a simular:
Continua: la variable en estudio es continua, en general medidas petrofsicas o geoquimicas como leyes, solubilidad, densidad, es decir cualquier variable sobre la cual se
pueda realizar operaciones matematicas sobre ellas.
Discreta: corresponde a una variable de conteo, por ejemplo, n
umero de diamantes en
yacimientos de kimberlitas.
Categorica: corresponde a una variable que es resultado de una clasificacion o codificacion, por ejemplo litofacies: litologa, tipo de mineralizacion, tipo de alteracion, etc.
Objetos: la entidad de estudio posee una morfologa propia que puede ser replicada a
partir de la simulacion de objetos de similares caractersticas, por ejemplo fracturas o
fallas simuladas por discos de distintas dimensiones y orientaciones.
La figura 3.4 presenta imagenes de distintos tipos de simulaciones, la subfigura a) presenta
una realizacion no condicional de una variable continua con un campo de orientacion dado
(Caceres, 2006), la subfigura b) presenta una realizacion de un proceso de estratificacion
por medio del metodo de substitucion (tomado de Lantuejoul, 2002). Una simulacion de
26
fracturas representadas por discos se presenta en la subfigura c) como ejemplo de simulaciones

de objetos (tomado de Chilès and Delfiner, 1999). Finalmente la subfigura d) presenta una
realizacion la ocurrencia de diamantes (modificado de Lantuejoul, 2002). De las imagenes es
posible apreciar que las simulaciones geoestadsticas permiten caracterizar distintos tipos de
fenomenos geologicos utilizando modelos particulares para cada uno de ellos.
(a) Simulaci
on de variable continua con
campo de orientaci
on
(b) Simulacion de estratificacion
(c) Simulaci
on de fracturas
(d) Simulacion de ocurrencia de diamantes
Figura 3.4: Ejemplos de distintos tipos de simulaciones.
3.3.2.
Modelo Multigaussiano
Al momento de simular se debe escoger un algoritmo de simulacion as como un modelo bajo

el cual se simulara. Para variables continuas, el modelo mas sencillo en terminos teoricos es el
modelo multigaussiano, en el cual la distribucion espacial de la funcion aleatoria es gaussiana,
27
esto es, cualquier combinacion lineal de sus componentes (variables aleatorias) corresponde
a una variable gaussiana.
En el caso de una variable aleatoria gaussiana Y su distribucion queda definida por su densidad de probabilidad:
1 (yE(Y )) 2
1
y <, g(y) = e 2 ( )
2
Se observa que su distribucion solo depende de sus primeros momentos: esperanza y varianza
( 2 ). De manera analoga la densidad conjunta de varias variables Y1 , . . . , Yn (agrupadas en
un vector Y~ ) corresponde a:
1
1
~ t 1
~
q
e 2 (~yE(Y )) (~yE(Y ))
g (y1 , . . . , yp ) =
n
( 2) det()
La distribucion conjunta de estas variables depende exclusivamente de sus dos primeros

momentos: que corresponde a la matriz de varianza-covarianza y la esperanza de Y~ , E(Y~ ).
Luego, la distribucion espacial de una funcion aleatoria gaussiana queda completamente
caracterizada al conocer la matriz de varianza-covarianza (equivalentemente, la funcion de
covarianza o la funcion variograma) y su esperanza.
El modelo multigaussiano posee algunas limitaciones:
Considera una hipotesis fuerte acerca de las distribuciones multivariables de los datos.
Los valores extremos (altos o bajos) se presentan no correlacionados, este fenomeno es
denominado como ((desestructuracion de las altas leyes)).
Si los datos presentan una distribucion no gaussiana (lognormal, gamma, etc.), es necesaria una transformacion (anamorfosis) a una distribucion gaussiana.
Presenta caractersticas estructurales simetricas con respecto a la media, es decir las
continuidades de los valores altos son iguales que para los valores bajos.
Como consecuencia de la desestructuracion de las altas leyes el modelo multigaussiano no
es adecuado cuando las leyes extremas presentan correlacion o se encuentran espacialmente
agrupadas, lo cual puede, por ejemplo, suceder en depositos vetiformes de metales preciosos.
Por contra parte, el modelo multigaussiano es adecuado en presencia de procesos difusivos,
por ejemplo en depositos donde la mineralizacion se encuentra diseminada como porfidos
cuprferos.
28
3.3.2.1.
Simulaci
on no condicional
Sea Y (x) la funcion aleatoria a simular, estacionaria y de distribucion espacial gaussiana

y funcion de covarianza C(h). Crear una realizacion de esta funcion aleatoria consiste en
generar una funcion aleatoria de igual funcion de covarianza.
Los principales algoritmos de simulacion en el marco multigaussiano son:
Metodo de descomposicion matricial.
Metodo de bandas rotantes.
Metodo secuencial gaussiano.
Para mayor informacion de estos metodos referirse a Chilès and Delfiner, 1999.
3.3.2.2.
Simulaci
on condicional en el marco multigaussiano
La construccion de simulaciones condicionales en el marco multigaussiano, se puede realizar

por el metodo de sustitucion de los residuos. La funcion aleatoria Y (x) a simular se puede
escribir como:
Y (x) = Yks (x) + [Y (x) Yks (x)] = Y (x) + (x)
Donde Yks (x) corresponde a la estimacion de Y (x) por kriging simple (KS) a partir de los
sitios de muestreo Y (x ), = 1, . . . , n y (x) corresponde al error de estimacion del KS, por
ende de media nula y varianza igual a la varianza de kriging. Es claro que la variabilidad de
Y (x) es mayor que la de Yks (x), luego la idea es generar una simulacion que posea la misma
variabilidad que Y (x). Considerando una simulacion no condicional Ys (x), se plantea:
Ysc (x) = Yks (x) + [Ys (x) Ys (x)] = Y (x) + s (x)
Como Ys (x) posee la misma funcion de covarianza que Y (x) y considerando que el error de
estimacion de KS no esta correlacionado a los datos, y por ende, a ninguna combinacion
lineal de estos, se establece que la covarianza de la simulacion condicional Ysc (x) es igual a la
de la funcion aleatoria Y (x) y devuelve los valores en los sitios de muestreo x , = 1, . . . , n.
Ysc (x ) = Y (x ) + [Ys (x ) Ys (x )],
Como el KS es interpolador exacto, se puede expresar:
Ysc (x ) = Y (x ) + [Ys (x ) Ys (x )] = Y (x ).
{z
=0
29
3.3.3.
Puesta en marcha pr
actica de la (co)simulaci
on gaussiana
En general las distribuciones de variables continuas como concentraciones de ciertos elementos

tales como leyes de cobre, oro, molibdeno, no presentan una distribucion gaussiana. Luego
para aplicar el modelo multigaussiano es necesario un paso previo a la simulacion denominado
anamorfosis.
La anamorfosis o transformacion a escala normal corresponde a una transformacion cuantilcuantil de la distribucion original de las muestras a una distribucion gaussiana. Los pasos
para la simulacion gaussiana son:
1. Anamorfosis o transformacion a escala normal de la distribucion original, de ser necesario.
2. Variografa de los datos transformados.
3. Simulacion no condicional por alg
un algoritmo (bandas rotantes, secuencial gaussiano,
etc.).
4. Condicionamiento por sustitucion de residuos.
5. Transformacion de los valores simulados a la distribucion original.
6. Postprocesos de las realizaciones.
En el caso de simular dos o mas variables, lo cual corresponde a una cosimulacion, se procede
de manera analoga al caso de la simulacion de una variable:
1. Anamorfosis o transformacion a escala normal para cada una de las variables a cosimular,usualmente de manera independiente.
2. Variografa simple y cruzada de los datos de las variables transformadas.
3. Cosimulacion no condicional y condicionamiento. La principal diferencia es el uso de
cokriging en lugar del kriging subyacente en el algoritmo de condicionamiento por
sustitucion de los residuos.
4. Transformacion de los valores gaussianos simulados de cada variable a la distribucion
original.
5. Postprocesos de las realizaciones.
Siempre es necesario chequear la hipotesis de multigaussianidad de los datos. En la practica es
suficiente verificar el caracter bigaussiano con diversos tests disponibles (Chiles and Delfiner,
1999). Otro aspecto a verificar es la reproduccion de los dos primeros momentos, es decir el
histograma y variograma, de la funcion aleatoria de interes.
30
La figura 3.5 presenta cuatro realizaciones condicionales en un ejemplo aplicado a leyes de

cobre, mostrando el histograma y variograma asociado a cada realizacion. Se observa como
las leyes simuladas cambian entre las realizaciones, pero siguen condicionales a los datos. Los
histogramas y variogramas se aprecian similares entre s respetando el modelo impuesto a
priori.
31
Figura 3.5: Realizaciones de ejemplo y sus respectivos histogramas y variogramas en direcciones NS (rojo) y EW (azul), mostrando la reproduccion de los dos primeros momentos y el
condicionamiento a los datos.
32
3.3.4.
Simulaci
oricas
A continuacion se procede a explicar el metodo de simulacion secuencial de indicadores y

el metodo de simulacion por truncacion de funcion(es) aleatorias gaussianas a utilizar en el
presente estudio.
3.3.4.1.
Simulaci
on secuencial de indicadores
La simulacion secuencial de indicadores corresponde a una de las tecnicas mas utilizadas de

los llamados enfoques no parametricos. Esta metodologa puede ser aplicada tanto a variables
categoricas como a variables continuas, mediante la codificacion en indicadores.
En aplicaciones geologicas se procede con la codificacion de las litofacies en indicadores.
La idea central es la construccion de una distribucion local de probabilidad para litofacies,
que representa la probabilidad de ocurrencia de cada litofacies en un punto del espacio. La
obtencion de la distribucion local es obtenida por medio del kriging de indicadores asociados
a las litofacies.
Los pasos para la obtencion de una realizacion en esta aproximacion son:
Codificacion de litofacies en indicadores binarios.
Variografa de los indicadores asociados. En este caso se pueden establecer variogramas
de cada indicador, los variogramas simples y cruzados o utilizar un variograma asociado
a una litofacies representativa para ser usada en todas las litofacies.
Migrar los datos condicionantes a la grilla de simulacion.
Sortear un orden aleatorio de visita de cada nodo en la grilla.
Establecer la distribucion local de probabilidades asociada a las litofacies, obtenidas de
la resolucion de uno o varios sistemas de kriging relativo a los indicadores.
Establecer la litofacies simulada en el nodo en cuestion por simulacion de Monte-Carlo
a partir de la distribucion de probabilidades obtenidas en el paso anterior.
Visitar otro nodo, incorporando los datos previamente simulados como datos condicionantes.
De este modo se obtiene una realizacion de las litofacies en todo el espacio. Esta aproximacion
tiene algunos aspectos cuestionables que se listan a continuacion:
El valor estimado a partir de variables binarias (indicadores), no necesariamente entrega valores entre 0 y 1, luego las inconsistencias deben corregirse para obtener una
distribucion de probabilidad local (condicional) valida.
33
En la practica se suele utilizar un modelo variografico asociado a una litofacies representativa, luego se pierde informacion al respecto del comportamiento espacial de las
litofacies restantes.
En el caso de considerar las relaciones entre las distintas litofacies por medio de un
modelo variografico simple y cruzado, el metodo se torna lento por el tama
no del
sistema de cokriging para obtener la distribucion local de probabilidades.
La formulacion original no considera las relaciones de contacto entre las distintas litofacies, entregando muchas veces texturas tipo mosaico (figura 3.6), textura que se puede
alejar de la concepcion geologica de la zona de estudio.
Figura 3.6: Realizacion de ejemplo del metodo secuencial de indicadores con 4 litofacies.
3.3.4.2.
Simulaci
on por gaussiana truncada (SGT)
Esta tecnica nace por la necesidad de caracterizar las unidades geologicas o litofacies presentes
en los yacimientos petrolferos en funcion de los atributos geologicos (calidad hidrocarburo,
porosidad, permeabilidad y capilaridad). La SGT fue establecida hace un par de decadas
por Journel e Isaaks, 1984 y desarrollada luego por Matheron et al., 1988; Galli et al., 1994,
constituyendose en uno de los metodos de simulacion de variables categoricas mas eficientes.
3.3.4.2.1.
Idea central de la simulaci

on por gaussiana truncada
La idea directriz es generar simulaciones de litofacies a partir de la truncacion de simulaciones

de una funcion aleatoria gaussiana, de modo tal que los umbrales de truncacion definan las
litofacies respetando las proporciones originales (globales o locales) de cada litofacies en el
espacio. (figura 3.7 en pag. 35).
Ademas, para que constituya una simulacion valida de las litofacies, la funcion de covarianza
de los indicadores obtenidos por truncacion de la FAG subyacente debe concordar con la
34
funcion de covarianza experimental de los indicadores ligados a cada litofacies. El formalismo

matematico de la simulacion de variables categoricas por truncacion sera explicitado en la
presentacion del metodo de plurigaussianas.
Como se aprecia en la figura 3.7, existe una relacion de orden entre las litofacies, hecho
tpicamente asociado a procesos sedimentarios o fluvio deltaicos. De lo anterior se deduce
que una litofacies esta en contacto a lo mas con dos litofacies adyacentes a ella.
Figura 3.7: SGT. izquierda arriba: FAG subyacente, derecha arriba: Truncacion a partir de los umbrales
definidos, abajo: Histograma FAG mostrando categoras y bandera de truncacion.
3.3.4.2.2.
Observaciones
El metodo es rapido, sencillo y flexible, ademas permite incluir restricciones geologicas

a traves de informacion externa como las proporciones.
Existen variados metodos de simulacion disponibles para la FAG subyacente (bandas
rotantes, secuencial gaussiano, descomposicion matricial, etc.).
El metodo garantiza la consistencia de las funciones de covarianza (simples y cruzadas)
de los indicadores.
No se ajusta bien a escenarios geologicos donde las litofacies no se presenten espacialmente jerarquizadas.
35
El metodo permite controlar el tipo de contactos en terminos texturales (contactos

irregulares vs. definidos) entre distintas litofacies por medio del modelo variografico
adoptado en la FAG subyacente, como se ejemplifica en la figura 3.8.
Figura 3.8: Realizaciones de simulacion gaussiana truncada, ejemplificando la flexibilidad en

el tipo de contacto: bordes definidos (izquierda) e irregulares (derecha) por medio del modelo
variografico usado.
3.3.4.3.
Simulaci
on Plurigaussiana (SPG)
La simulacion por gaussiana truncada no es adecuada para escenarios geologicos tales como sistemas porfricos, epitermales y volcanogenicos, donde las litofacies no se encuentran
dispuestas espacialmente ordenadas.
Para resolver este tipo de situaciones fue desarrollado el metodo de las plurigaussianas (Le
Loch et al, 1994; Le Loch and Galli, 1997), el cual es una generalizacion o extension natural
del metodo de gaussianas truncadas.
3.3.4.3.1.
Idea central de la simulaci

on plurigaussiana
El objetivo de la SPG es obtener simulaciones de litofacies, a partir de la truncacion conjunta

de dos o mas funciones aleatorias gaussianas que pueden o no estar correlacionadas (figura
3.9).
Al incluir dos o mas funciones aleatorias a truncar, se flexibilizan las relaciones de contacto
entre las litofacies, permitiendo generar modelos asimilables al resultado de procesos geologicos mas complejos. Por ejemplo, en la figura 3.9 la litofacies verde puede ser considerada
como un proceso sobreimpuesto o posterior a las litofacies amarilla y anaranjada.
36
Figura 3.9: Simulaciones de FAG subyacentes en el modelo, Simulacion Plurigaussiana y regla de litofacies.
3.3.4.3.2.
Puesta en marcha de la simulaci

on plurigaussiana
Para efectuar la simulacion se cuenta con datos que registran el tipo de litofacies presente en
cada uno de los sitios de muestreo.
El flujo de trabajo para obtener las simulaciones condicionales en todo el espacio es el siguiente:
1. Inferencia de los parametros del modelo
Determinar la regla de litofacies a partir de conocimiento geologico. En esta etapa se establecen el n
umero y tipo de litofacies, relaciones de contacto y tipo de
contacto.
Establecer los umbrales de truncacion utilizando la regla anterior y las proporciones iniciales de cada litofacies.
Modelamiento indirecto de las funciones de covarianza para las FAG subyacentes
a partir de las covarianzas experimentales simples y cruzadas de los indicadores
asociados a las litofacies.
2. Generacion de valores gaussianos para cada FAG en los sitios de muestreo respetando
las funciones de covarianzas de las FAG y litofacies presente en los sitios de muestreo.
3. Simulacion de las FAG en todo el campo condicionado a los datos obtenidos en el paso
anterior.
4. Truncacion de las simulaciones condicionales anteriores y obtencion de las litofacies
simuladas.
En lo que sigue se procedera a ahondar en cada uno de estos pasos, para el caso de una FAG
(SGT) y para dos o mas funciones aleatorias (SPG).
37
3.3.4.3.3.
Inferencia par
ametros del modelo
Codificaci
on de litofacies en indicadores
Sean F1 , F2 , . . . , Fn las litofacies presentes en la zona de estudio. Los indicadores asociados a
cada litofacies son:
(
1i (x) =
1 si x Fi
0 en caso contrario
(3.5)
Litofacies como truncaci

on de varias FAG y regla de litofacies
La posibilidad de incorporar las relaciones de contacto entre las distintas litofacies es una de
las caractersticas mas atractivas de la simulacion plurigaussiana. El conocimiento geologico
acerca de la zona de estudio es resumido en estas relaciones que son formalizadas matematicamente como sigue.
Sean Y1 (x), Y2 (x), . . . , Yp (x), p funciones aleatorias gaussianas de media nula y varianza unitaria. Cada litofacies Fi queda definida como:
n
Fi = x <3 ; lji Yj (x) uij ; j = 1, . . . p
(3.6)
Donde lji y uij son los umbrales de truncacion para la litofacies Fi relacionados a Yj . Bajo esta forma de truncacion cada litofacies tendra asociados 2p umbrales que definiran un
paraleleppedo en un espacio p-dimensional (cada dimension una FAG).
El arreglo geometrico entre paraleleppedos definira las relaciones de contacto entre litofacies,
por ejemplo dos paraleleppedos disjuntos generaran dos litofacies que no se tocan.
En el caso de utilizar dos funciones aleatorias gaussianas (p=2), los paraleleppedos se reducen a rectangulos cuya configuracion geometrica resume las relaciones de contacto entre
las litofacies. La representacion de dichas relaciones mediante estos rectangulos se denomina
Regla o Bandera de litofacies o bandera de truncacion.(figuras 3.9 y 3.10)
Figura 3.10: Posibles relaciones de contactos a partir de cuatro litofacies usando dos FAG: Y1 e Y2 . Primera
bandera: se reduce al caso de SGT donde los umbrales ya no dependen de Y2 , solo en el segundo caso se
encuentran en contacto las litofacies azul y rosado.
Proporciones, umbrales y probabilidades
38
Los umbrales se determinan a partir de las proporciones originales pi de las litofacies asumiendo que se identifican con las esperanzas de los indicadores de las litofacies. Dicha esperanza
corresponde a la probabilidad conjunta que las FAG pertenezcan a la particion del espacio
gaussiano definido por los umbrales (ver ecuacion 3.7).
pi = E(1i (x)) = P rob[(l1i Y1 (x) ui1 ), . . . . . . , (lpi Yp (x) uip )]
(3.7)
Definiendo Y~ (x)=(Y1 (x), . . . , Yp (x)) , Di =([ui1 l1i ]x. . . x[uik lki ]x . . . x[uip lpi ]) , donde Y~ (x)
es un vector gaussiano obtenido a partir de las FAG y Di la particion del espacio gaussiano
P
asociada a Fi . La matriz de varianzas-covarianzas del vector Y~ (x) se denotara por
y su
funcion de densidad gaussiana P-variada por g
Se tiene entonces que:
pi =
Z
Di
g (t1 , . . . , tp ) dt1 . . . dtp
De este modo se obtiene una relacion entre los umbrales y las proporciones iniciales, respetando la regla de litofacies contenida en el conjunto {Di }i=1...n . Para disminuir la notacion
sobrecargada se procedera a explicitar el calculo de umbrales en el caso de una y dos funciones
aleatorias gaussianas.
Umbrales en casos con una y dos FAG
En el caso de una funcion aleatoria gaussiana y asumiendo que no quedan vacos entre las n
litofacies, se verifica que ui =li1 para i = 1 . . . n, luego el n
umero de umbrales disminuye a
n + 1 umbrales {si }i=0...n con s0 = y sn = +. Luego la ecuacion 3.7 se simplifica a:
pi = E(1i (x)) = P rob[si1 Y (x) si ]
(3.8)
Como Y (x) N(0,1)

pi = G(si ) G(si1 )
si =
i
X
G1 (pj ); i = 1, . . . , n
j=1
39
(3.9)
Donde G es la funcion de densidad acumulada de una variable aleatoria gaussiana estandar

N (0, 1). En el caso de dos funciones aleatorias se construyen ambas funciones utilizando el
modelo lineal de corregionalizacion:
Y1 (x) = W1 (x)
Y2 (x) = W1 (x) +
1 2 W2 (x)
Donde W1 (x) y W2 (x) son dos FAG independientes (W1 , W2 )=0. La ecuacion 3.7 se
escribe como :
pi = E(1i (x)) = P rob[(l1i Y1 (x) ui1 ), (l2i Y2 (x) ui2 )]
Z ui Z ui
1
2
l1i
l2i
(3.10)
g (u, v) dudv
La matriz de varianza-covarianza en este caso es:

=
1
1
donde =corr(Y1 (x), Y2 (x)). La densidad gaussiana bivariable se puede expresar como:
g (u, v) =
2
2
1
u +v 2uv
2(12 )
e
2 1 2
(3.11)
en el caso que =0 la ecuacion 3.10 se simplifica a:
pi =
Z ui
1
l1i
g(u) du
Z ui
2
l2i
g(v) dv = [G(ui1 ) G(l1i )]x[G(ui2 ) G(l2i )]
(3.12)
Se aprecia que para cada pi existen cuatro umbrales a determinar. Al asumir que no existen
regiones vacas en el espacio gaussiano, es decir los rectangulos contiguos comparten un
umbral, y que ciertos umbrales son y +, se logra determinar los umbrales a partir de
n ecuaciones como 3.12. Relaci
on entre variogramas de indicadores y FAG
El variograma del indicador asociado a la litofacies Fi es:
40
1
i (x, x + h) = V ar[1i (x) 1i (x + h)]
2
=
(3.13)
o
1n
E([1i (x) 1i (x + h)]2 ) (E[1i (x) 1i (x + h)])2
{z
}
|
2
=0 caso estacionario
1n
2
E(1i (x))2 + E(1i (x + h))2 2E[1i (x) 1i (x + h)]
(3.14)
Como la esperanza del indicador corresponde a la probabilidad que las FAG pertenezcan a
Di
o
1n
P rob(Y1 (x), . . . , Yp (x) Di ) + P rob(Y1 (x + h), . . . , Yp (x + h) Di )
2
2P rob[(Y1 (x), . . . , Yp (x)) Di (Y1 (x + h), . . . , Yp (x + h)) Di ]
i (x, x + h) =
i (x, x + h) = pi
Z
Di
Z
Di
g (t1 , . . . , tp , r1 , . . . , rp ) dt1 . . . dtp dr1 . . . drp
(3.15)
Donde es la matriz de varianza-covarianza 2p-variada de las FAG:
Y1 (x), . . . , Yp (x), Y1 (x + h), . . . , Yp (x + h)

Las covarianzas entre Yi (x) y Yj (x+h) dependeran del modelo de corregionalizacion asumido.
A partir la ecuacion 3.15, se logra efectuar un modelamiento interactivo de los variogramas
de indicadores en funcion de la matriz de varianza-covarianza que define las FAG. Como ya
se menciono, la informacion relativa a la regla de litofacies y proporciones esta contenida en
{Di }i=1...n .
Modelamiento pr
actico de variogramas de gaussianas a partir variogramas de
indicadores
La ecuacion 3.15 provee una relacion entre las FAG y los variogramas de indicadores. Esta
relacion no es explcita en la dependencia de los parametros del modelo usado en las FAG
(alcance, anisotropa, etc ), luego la inferencia de estos parametros a partir de los variogramas
de indicadores no es directa.
El modelamiento debe ser efectuado simultaneamente para los variogramas simples y cruzados
de las litofacies que sean relativas a las FAG a modelar (seg
un bandera de litofacies).
Las expresiones que ligan los variogramas cruzados se obtienen de manera similar a la ecuacion
3.15. Por la sencillez y alcances de este informe, no se presentan.
41
A continuacion se muestran algunas caractersticas de los variogramas de indicadores a partir

de los variogramas de las FAG subyacentes en el caso de dos funciones aleatorias.
Forma: En el origen los variogramas de indicadores deben cumplir la desigualdad triangular (chiles and Delfiner, 1999), lo cual implica un comportamiento mo mas regular
que lineal. Se aprecia en la figura 3.11 que la curvatura presente en el variograma gaussiano de la FAG, desaparece en el variograma del indicador. Ademas se observa que el
aspecto de los variogramas de indicadores es similar pese a lo distinto de los modelos
de la FAG (gaussiano vs esferico).
Figura 3.11: Variogramas de FAG(izquierda) y sus indicadores(derecha) correspondientes

para la litofacies en morado.
Alcances: en la figura 3.12 se aprecia que los alcances de cada litofacies dependen de
la ubicacion en la bandera de litofacies. Al cambiar el alcance de la FAG que controla
a la litofacies (azul-celeste) estas aumentan su alcance.
Meseta: las mesetas dependen de la proporcion de cada litofacies. En el caso estacionario i () = pi (1 pi ) como se aprecia en la figura 3.13.
42
Figura 3.12: Variacion en alcances de facies al cambiar alcance de FAG que las controla.
3.3.4.3.4.
Simulaci
on de valores gaussianos en sitios de muestreo
Esta etapa corresponde a asignar valores gaussianos a la existencia de una litofacies en un

sitio de muestreo, codificada como un indicador o variable categorica. De fondo, se desea
obtener valores continuos que respeten la codificacion en indicadores, regla de litofacies y
continuidad espacial de cada litofacies.
La situacion se puede expresar como:
(Y1 (x ), . . . , Yp (x )) Di , x sitio de muestreo
Luego no hay biyeccion entre Yj (x) y 1i (x) i = 1 . . . n, j = 1 . . . p, x
0
Se desea encontrar un valor yj (x ) tal que

0
Yj (x )=yj (x ) asociado al valor de 1i (x ) i = 1 . . . n, j = 1 . . . p, x
43
Figura 3.13: La proporcion de una litofacies (azul) controla la meseta del indicador asociado
a ella (caso estacionario).
Para construir una simulacion condicional a los datos categoricos se requiere construir un
u
nico valor gaussiano, de modo que respete la funcion de covarianza de las FAG y que
pertenezca a Di .
El procedimiento que se plantea es conocido como muestreador de Gibbs (Geman y Geman,
1984):
1. Para cada sitio de muestreo se sortea un vector inicial (Y1b (x ), . . . , Ypb (x )) Di respetando el valor del indicador en x .
0
2. Visitar al azar cada x y reemplazar (Y1b (x ), . . . , Ypb (x )) por (Y1 (x ), . . . , Yp (x )) obtenido de la (co)simulacion condicional, a partir de datos en sitios de muestreo restantes. Para obtener la cosimulacion en caso de existir correlacion entre las FAG, se puede
recurrir a cualquier metodo de simulacion multivariable en el marco multigaussiano.
3. Volver a dos un gran n
umero de iteraciones.
Cabe destacar la similitud del metodo secuencial gaussiano con el muestreador de Gibbs, el
cual puede ser considerado como un procedimiento de simulacion con reemplazo de muestras.
44
Figura 3.14: Derecha: se aprecia como aparece la UG verde en el sector NE. Izquierda: correccion al incluir
conocimiento geol
ogico en el modelo por medio de las curvas de proporcion variables en el espacio.
3.3.4.3.5.
Simulaci
on de FAG en todo el campo y truncaci
on
Utilizando los valores anteriores como datos condicionantes se procede a simular cada una de
las FAG en todo el espacio. En el caso de existir correlacion entre las FAG, se puede recurrir
a la simulacion multivariable en el marco multigaussiano.
Con las simulaciones condicionales de cada FAG se procede a realizar la truncacion seg
un la
regla de litofacies, obteniendose de ese modo una simulacion de las litofacies.
3.3.4.3.6.
Caso no estacionario
El modelo antes presentado utiliza proporciones que son constantes en el espacio. Esta condicion no es com
un que ocurra en la naturaleza, por ejemplo algunas litofacies desaparecen
en la vertical o en otra direccion. Al asumir proporciones constantes en el espacio y puesto
que la simulacion es condicional sucede, que lejos de los datos, la probabilidad de aparicion
de cierta litofacies se identifica con la proporcion original o global.
Dicha situacion puede ser compleja desde el punto de vista del fenomeno en estudio, en
particular en terminos geologicos pueden aparecer litofacies en lugares que es imposible que
aparezcan por razones geologicas, por ejemplo unidades mas antiguas cortando unidades
mas recientes. Luego el metodo de simulacion plurigaussiana pierde, en cierta medida, el
objetivo de generar realidades plausibles de las litofacies (figura 3.14).
Para superar este problema se opta por la regionalizacion de las proporciones en el espacio,
en particular para los procesos sedimentarios donde existe una alta variabilidad en la vertical
relacionada a la genesis de este tipo de depositos (secuencias rtmicas, ciclo de Bouma, etc.).
A partir de esto surgen las denominadas Curvas de Proporcion Vertical (CPV) (Ravenne et al,
2002) donde se asume una estacionaridad horizontal de las proporciones de las UG presentes,
para distintos niveles en la vertical; incluso se plantean curvas de proporcion vertical variables
45
Figura 3.15: Izquierda a derecha : CPV global, ejemplo CPV local donde la litofacies verde esta ausente,
Matrz de CPV para todo el espacio, donde se aprecia que en el sector NE donde no hay datos se recurre a
la CPV global.
en el espacio (figura 3.15). La incorporacion de CPV variables en el espacio disminuye el
caracter estocastico del modelo y lo torna es cierta medida mas determinstico. Ademas
algunos parametros son tratados de maneras poco ortodoxas, por ejemplo la incorporacion
de variogramas promedio, CPV interpoladas por kriging o inverso de la distancia en las zonas
donde los datos son escasos (Armstrong et al, 2003).
3.3.4.4.
Aplicaciones de simulaci
on plurigaussiana
Si bien ha sido dise

nada para simular facies en reservorios petrolferos, la simulacion plurigaussiana ha encontrado cabida a aplicaciones en geologa de yacimientos minerales en la
u
ltima decada. Betzhold y Roth (2000) aplicaron el metodo para caracterizar tres zonas mineralogicas (alta, media y baja ley) en el yacimiento Mantos Blancos. Skvortsova et al (2002)
presentan una aplicacion a un deposito de uranio hospedado en rocas granticas. Emery y
Gonzalez (2006) simulan las zonas minerales del deposito Radomiro Tomic y las litologas
del sector Sur-Sur del yacimiento Ro Blanco-los Bronces.
Riquelme et al (2008) simulan las unidades geologicas del deposito Ministro Hales (Mansa
Mina) con objeto de cuantificar la variabilidad e incertidumbre en tonelajes de las unidades
de alta ley. La figura 3.16 presenta el modelo geologico interpretado y dos realizaciones del
modelo planteado.
Deraisme y Farrow (2005) generan simulaciones plurigaussianas con objeto de evaluar distintas mallas de muestreo en busca de una caracterizacion de la pipa presente en la mina
de kimberlita Orapa. La figura 3.17 presenta la bandera de truncacion utilizada, el modelo
geologico interpretado y una realizacion condicional utilizando los datos disponibles dispuestos en una malla de 100 x 100 m.
46
Figura 3.16: Bandera de truncacion, modelo geologico y realizaciones plurigaussianas en Mansa Mina, tomado de Riquelme et al, 2008.
47
Figura 3.17: Bandera de truncacion, modelo geologico y realizacion de litofacies presentes en

la kimberlita de Orapa, tomado de Deraisme et al, 2005.
Las imagenes de ambas aplicaciones muestran que la simulacion plurigaussiana es capaz de

reproducir las caractersticas principales de la disposicion espacial de las UG.
3.3.4.5.
3.3.4.5.1.
Comentarios relativos a la simulaci

on plurigaussiana
Aspectos positivos
El metodo de las plurigaussianas es teoricamente correcto, limpio y sin artilugios de

ning
un tipo. Posee todos los beneficios que otorga el modelo multigaussiano, condicionamiento por kriging, admision de cualquier funcion definida positiva como funcion de
covarianza para las FAG, etc.
Se presenta como una herramienta complementaria al modelamiento geologico clasico,
el cual desde el punto de vista genetico y fenomenologico es correcto, pero no representa
correctamente la variabilidad real del fenomeno y no entrega una caracterizacion de la
incertidumbre de las litofacies en los sitios no muestreados. Estos aspectos pueden ser
considerados con el metodo de plurigaussianas.
Uno de sus mayores logros es permitir simular litofacies que no se encuentren en un
orden estricto por ejemplo intrusivos, brecha pipes, diatremas, etc. La bandera de litofacies permite bastante flexibilidad al respecto, superando a la SGT.
48
Permite un modelamiento de los contactos entre las unidades a partir del modelo variografico utilizado en las FAG, por ejemplo, contactos irregulares con modelos esfericos/exponenciales y contactos tajantes con modelos c
ubicos o gaussianos (figura 3.18).
Figura 3.18: Influencia de modelos variograficos de las gaussianas subyacentes Izquierda: esf
+ esf, Derecha: cub + cub.
Permite incluir anisotropas distintas en las litofacies, aspecto que no es considerado en
las SGT 1 .
El nivel de correlacion entre las gaussianas es una decision a tomar y puede servir como
parametro de ajuste para la correcta representacion del ambiente geologico o aplicacion
en cuestion. Permite controlar el nivel de encaje de las unidades. En el caso degenerado
con correlacion igual a uno se identifica con la simulacion por truncacion gaussiana
SGT.
La incorporacion de las curvas de proporcion vertical al asumir una estacionaridad
horizontal (plano normal a la direccion mayor de variabilidad), permite incluir informacion blanda mas alla de las relaciones de contacto y proporciones iniciales, y
as generar simulaciones mas realistas.
3.3.4.5.2.
Aspectos negativos
La inferencia de los parametros de modelo es engorrosa y lenta. En particular el modelamiento indirecto de los variogramas de indicadores, debe ser un proceso interactivo
(iterativo en ciertas ocasiones) en cual muchas veces se debe llegar a tener la simulacion
final para determinar cuales parametros modificar.
Requiere de la creacion de datos gaussianos condicionantes en los sitios de muestreo,
pues no existe biyeccion entre los valores gaussianos y el indicador asociado. Luego la
1
Si se divide el espacio en dos categoras, los variogramas indicadores relativos a esas categoras son iguales
49
simulacion de las litofacies consta de dos etapas de simulacion: simulacion de datos

gaussianos condicionantes y simulacion condicional a partir de esos datos en todo el
espacio. Como en todo metodo de simulacion se requieren aproximaciones o simplificaciones (vecindad, n
umero de datos a usar, n
umero de iteraciones en el muestreador de
Gibbs, etc.) los cuales merman la formulacion robusta del metodo.
La generacion de regiones del espacio convexas es muy difcil, para lo que se requerira
incluir varias (> 2) FAG. En ese caso resulta mas atractivo inclinarse hacia modelos
basados en lanzamiento de objetos (Chiles and Delfiner 1999; Lantuejoul 2002) para
generar dichas regiones.
3.3.4.6.
Aspectos discutibles
El primer aspecto discutible es el asumir que la proporcion de cada litofacies se encuentra bien representada por la proporcion en los datos disponibles. Es una practica
general planificar los sondajes con objetivos de caracterizar lo mejor posible variables
como la ley de cobre, mas que representar correctamente los tipos y lmites de atributos geologicos en cuestion. Luego esta premisa debe ser revisada en el momento de la
puesta en marcha del modelo y de ser necesario aplicar metodos de desagrupamiento o
inyectar informacion blanda de alguna naturaleza.
Para respetar la formulacion (caso del modelo estacionario) se deberan utilizar proporciones constantes en el espacio, situacion muchas veces incompatible con las caractersticas del fenomeno en estudio. Al ser una simulacion condicional los problemas
surgen en zonas con pocos datos donde la aparicion de cierta litofacies se relaciona
con la proporcion global de esta, lo que puede acarrear la aparicion de UG en sectores
improbables o imposibles por la naturaleza del fenomeno. Para esto se utilizan herramientas como proporciones variables en alguna direccion, como es el caso de las CPV
o mas aun proporciones que varan localmente.
50
Captulo 4
Metodologa
Este captulo tienen por objeto presentar los principios y procedimientos de cada modelo a
desarrollar en el caso de estudio.
4.1.
Simulaci
on de leyes sin control geol
ogico
Este modelo corresponde a la aplicacion de simulacion de variables continuas (leyes minerales)

sin considerar a cual unidad geologica pertenece cada muestra. En la practica, no es usual
utilizar este enfoque, pues muchas veces tiende a mezclar distribuciones de leyes distintas.
Por ejemplo, no es recomendable simular las leyes de las zonas de oxido y sulfuros en conjunto,
pues ambas zonas son de naturaleza distinta con una expresion particular en sus distribuciones
de leyes (valores y continuidad). De este modo este modelo constituye un caso base para el
presente estudio.
Las etapas para la puesta en marcha de este modelo son las usuales en simulacion gaussiana:
1. Transformacion gaussiana (anamorfosis) de la distribucion original de las leyes de cobre.
2. Variografa de datos transformados.
3. Simulacion condicional sobre toda la zona de estudio.
4. Transformacion de los valores gaussianos simulados a la distribucion original de leyes.
51
4.2.
Simulaci
on de leyes con control geol
ogico determinstico
Esta metodologa considera el modelamiento geologico determinstico de la zona de estudio,

para posteriormente efectuar simulaciones de leyes al interior de cada una de las unidades
geologicas identificadas.
Este enfoque es el mas usado en la industria para caracterizar la variabilidad e incertidumbre
en las leyes de un deposito, usualmente considera hasta una docena de unidades. Su diferencia con respecto al anterior, es que, al considerar el modelamiento geologico se establecen
distribuciones de leyes especficas a simular por cada unidad (muestras distintas), as como
la ubicacion y extension espacial de la unidad a simular (modelo geologico).
Para cada unidad se procede del siguiente modo:
1. Transformacion gaussiana de la distribucion original de las leyes de la unidad geologica
correspondiente.
2. Variografa de los datos transformados.
3. Simulacion condicional en la zona modelada de la unidad en cuestion.
4. Transformacion de los valores gaussianos simulados a distribucion de leyes original.
La caracterizacion de la variabilidad e incertidumbre en leyes derivadas de este modelo, no
considera la incertidumbre en la geologa. En otras palabras, se asume la geologa fija solo
para considerar la variabilidad en las leyes enmarcada en el modelo geologico determinstico
considerado, en terminos de incertidumbre, como si fuera perfectamente conocido. Luego, este
modelo solo entrega una vision parcial de la variabilidad en tonelajes y leyes del deposito en
estudio.
52
4.3.
Simulaci
on independiente de leyes y unidades geol
ogicas
Esta metodologa consiste en simular la extension espacial de las unidades geologicas, para
posteriormente simular las leyes al interior de cada una de ellas. Este procedimiento es utilizado en la industria cuando se requiere caracterizar la variabilidad e incertidumbre de las
unidades geologicas y leyes por medio de la generacion de varios posibles escenarios combinados de geologa y leyes.
Esta aproximacion se resume como sigue:
1. Simulacion de unidades geologicas por medio de simulacion plurigaussiana.
a) Definicion de relaciones de contactos y reglas de truncacion.
b) Variografa indirecta de indicadores simples y cruzados.
c) Obtencion de valores gaussianos en los sitios de muestreo, condicionados a los
datos de indicadores (muestreador de Gibbs).
d ) Simulacion condicional de las funciones aleatorias gaussianas.
e) Aplicacion de regla de truncacion a valores simulados.
2. Simulacion de leyes al interior de cada una de las unidades geologicas simuladas.
a) Transformacion gaussiana de la distribucion original de las leyes de la unidad
geologica correspondiente.
b) Variografa de datos transformados.
c) Simulacion condicional en la zona modelada de la unidad en cuestion.
d ) Transformacion de los valores gaussianos simulados a la distribucion de leyes original.
Procedimiento que se repite desde el punto 1 para obtener otras realizaciones de unidades
geologicas y leyes de la zona de estudio.
Si bien este modelo considera la variabilidad e incertidumbre en la aparicion de unidades
geologicas, no existe relacion alguna entre las realizaciones de leyes y de las unidades geologicas. Todos los aspectos de las simulaciones de unidades geologicas y leyes son realizadas
independientemente. El control geologico en este modelo se traduce en la determinacion de
la extension de las unidades geologicas al momento de simular las leyes.
La decision de como asociar las realizaciones de leyes con las realizaciones de unidades geologicas es arbitraria. Esto puede causar que las leyes simuladas cambien abruptamente en los
lmites de las unidades geologicas simuladas.
53
El hecho anterior no siempre ocurre en la naturaleza, pues bajo ciertos escenarios geologicos
existen transiciones graduales de leyes entre unidades. Por ejemplo en caso de yacimientos
diseminados se observan transiciones graduales de leyes, mientras que en yacimientos vetiformes pueden aparecer fronteras duras, donde el enfoque puede ser adecuado.
4.4.
Simulaci
on conjunta de leyes y unidades geol
ogicas
SGS-SIS
Este modelo corresponde a la primera aproximacion a la cosimulacion en el presente estudio. El objetivo principal de este modelo es utilizar tanto la informacion geologica como de
leyes para simular simultaneamente las unidades geologicas y leyes, utilizando los algoritmos
secuencial gaussiano (SGS) y de indicadores (SIS).
La idea central es establecer un modelo variografico directamente entre la variable gaussiana
de leyes y los indicadores de unidades geologicas, para proceder con una extension natural
del algoritmo secuencial de simulacion. Las etapas del modelo se indican a continuacion.
1. Codificacion en indicadores de las unidades geologicas.
2. Transformacion gaussiana de todas las muestras de leyes.
3. Calculo y modelamiento variografico (variogramas simples y cruzados) entre la variable
gaussiana e indicadores.
4. Simulacion secuencial gaussiana y de indicadores.
Asignar a los nodos de la grilla de simulacion las muestras condicionantes de
indicadores y gaussiana transformada.
Sortear un orden aleatorio de simulacion.
Obtener la media condicional y varianza condicional por medio de cokriging a
partir de los datos gaussianos y de indicadores y/o valores previamente simulados.
Establecer el valor simulado de la variable gaussiana en el nodo como:
Ycs (x) = Yk (x) + k (x) N (0, 1)
donde, Yk (x) y k2 (x) corresponden a la media y varianza condicional obtenida al
resolver el sistema de cokriging para los datos gaussianos y N (0, 1) es un valor
aleatorio gaussiano.
Obtener la probabilidad de ocurrencia asociada a cada indicador a partir del mismo sistema de cokriging anterior (solo basta con reorganizar el lado derecho del
sistema).
Sortear por simulacion de Monte-Carlo la unidad asociada a las probabilidades
establecidas en el paso anterior. Codificar la unidad simulada en indicadores.
54
Repetir lo anterior para todos los nodos.

5. Transformacion inversa de la simulacion gaussiana resultante a la distribucion de leyes
original.
Este modelo fue abandonado en el presente estudio por problemas en el planteamiento del
mismo, los cuales seran descritos en el captulo del caso de estudio y abordados en el captulo
de discusiones.
4.5.
Simulaci
ogicas
GT
El objetivo de este modelo es utilizar tanto la informacion geologica como la de leyes, para
simular simultaneamente las unidades geologicas y leyes, usando los algoritmos de simulacion
plurigaussiana y simulacion gaussiana por bandas rotantes.
Para ello se plantea un procedimiento que saca ventaja de los siguientes aspectos:
El metodo de simulacion plurigaussiana, utiliza variables gaussianas continuas para
simular las variables categoricas asociadas a las unidades geologicas. De fondo para
resolver un problema discreto utiliza variables auxiliares continuas.
La simulacion de leyes es realizada por medio de simulacion gaussiana.
Para relacionar ambos tipos de informacion, es posible cosimular las funciones aleatorias
gaussianas relativas al metodo de simulacion plurigaussiana con la asociada a leyes. Para ello
se plantea el siguiente procedimiento:
1. Codificacion en indicadores, definicion de reglas de truncacion y proporciones de cada
UG.
2. Transformacion gaussiana de todas las muestras de leyes.
3. Variografa (indirecta) de los indicadores asociados a las unidades geologicas y variable
gaussiana de leyes.
Esta etapa considera el calculo y modelamiento de los variogramas simples y cruzados
entre los indicadores de UG y la variable gaussiana transformada de leyes. El modelamiento es efectuado indirectamente por medio de la expresion analtica que relaciona
los variogramas de los indicadores y las funciones aleatorias gaussianas. En este caso
tambien se obtienen las expresiones para los variogramas cruzados entre las gaussianas
relativas a indicadores con la gaussiana asociada a leyes.
55
4. Obtencion de valores gaussianos en los sitios de muestreo asociados a los indicadores

de las unidades geologicas.
Utilizando el modelo variografico de la etapa anterior, se procede con el muestreador
de Gibbs utilizando cosimulacion con reemplazo para obtener valores gaussianos en los
sitios de muestreo. Se ahondara en esta etapa en el caso de estudio.
5. Cosimulacion condicional gaussiana de las funciones aleatorias gaussianas relativas a
los indicadores de cada unidad geologica y leyes transformadas.
6. Transformacion inversa de la variable gaussiana simulada a la distribucion de leyes
original y aplicacion de las reglas de truncacion sobre las funciones aleatorias gaussianas
asociadas a los indicadores de UG.
De este modo se obtienen simultaneamente realizaciones de leyes y unidades geologicas ligadas
por medio de su modelo variografico.
Los modelos de cosimulacion usando SGS-SIS y GT, previamente planteados, poseen una
hipotesis com
un que consiste en asumir que una u
nica funcion aleatoria gaussiana asociada
a la ley es suficiente para caracterizar la variabilidad espacial de leyes. Ambos modelos no
consideran directamente a que unidad pertenecen las leyes, al no existir division en unidades
geologicas al momento de modelar la distribucion de leyes.
A diferencia de los modelos con control geologico determinstico o probabilstico independiente, el control de la geologa sera ejercido por medio de la cosimulacion de las variables
gaussianas asociadas a leyes e indicadores de las unidades geologicas.
De cierto modo, estos modelos de cosimulacion consideran como base el caso sin control
geologico, modificando la simulacion por una cosimulacion con covariables asociadas a la
geologa, ya sea con las variables de indicador directamente o funciones aleatorias gaussianas
asociadas al metodo de simulacion plurigaussiana.
4.6.
Simulaci
on conjunta de leyes y UG con incorporaci
on de conocimiento adicional
Una propiedad atractiva del cokriging es la posibilidad de utilizar muestras de distintas

variables no necesariamente muestreadas en los mismos sitios. Utilizando esta caracterstica,
es posible incorporar muestras adicionales de geologa al modelo de cosimulacion previamente
planteado, de este modo permite la incorporacion de conocimiento geologico adicional acerca
de la ocurrencia de cierta unidad geologica mas alla de los sitios de muestreo disponible. Para
este modelo, se mantienen los parametros y variogramas utilizados en la cosimulacion por
GT de UG y leyes. La diferencia es la incorporacion de muestras condicionantes adicionales
que reflejen el conocimiento acerca de la geologa de la zona de estudio.
56
Al u
nico proceso que se someten las muestras adicionales es el paso de generacion de valores
continuos por medio del muestreador de Gibbs.
De este modo, las muestras adicionales de unidades geologicas ejerceran control sobre las
simulaciones de leyes por medio del modelo variografico previamente presentado.
Cabe destacar que las muestras adicionales de geologa podran modificar las proporciones
locales de las unidades geologicas simuladas as como su correlacion espacial, es decir la
incorporacion de datos condicionantes de geologa, pueden cambiar las caractersticas del
modelo utilizado a priori. Debido al caracter heterotopico de las muestras adicionales de
geologa, para las cuales no se conoce el valor de la ley, no es posible actualizar el modelo
variografico asociado a esta ley.
57
Captulo 5
Caso de estudio: Sur-Sur, yacimiento
Ro Blanco-Los Bronces
5.1.
5.1.1.
Geologa del sector Sur-Sur del dep

osito Ro BlancoLos Bronces
Generalidades
El yacimiento Ro Blanco - Los Bronces, se encuentra ubicado a 60 Km al NE de Santiago,

situado entre los 2700 y 4100 msnm (figura 5.1). Es uno de los tres complejos gigantes del
Mioceno-Plioceno (21 - 3.9 Ma.) de brechas y porfidos de cobre de los Andes de Chile Central
y corresponde al tercer mayor porfido cuprfero en el mundo en terminos de metal contenido
(Camus, 2003).
Actualmente existen dos compa
nas mineras separadas explotando el yacimiento, CODELCO
explotando Ro Blanco y Anglo American al Oeste de Ro Blanco explotando Los Bronces
(figura 5.2).
58
Figura 5.1: Ubicacion del yacimiento Ro Blanco-Los Bronces y otros depositos del Mioceno
Tardo-Plioceno, Modificado de Skewes y Holmgren 1993.
Figura 5.2: Perfil esquematico del yacimiento Ro Blanco - Los Bronces, modificado de
Sprohnle (1988).
5.1.2.
Geologa local
Una caracterstica distintiva del yacimiento con respecto a los sistemas porfdicos, lo constituye que la mineralizacion de cobre se encuentra casi completamente como cemento al interior
de complejos de brechas magmaticas-hidrotermales (Warnaars et al, 1985; Vargas et al, 1999).
La figura 5.3 presenta el mapa geologico del yacimiento Ro Blanco-Los Bronces. Se destaca
el sector Sur-Sur donde se aprecia la disposicion en planta de las unidades a describir a
59
continuacion.
5.1.3.
Geologa del sector Sur-Sur
Figura 5.3: Mapa geologico del yacimiento Ro Blanco-Los Bronces, tomado de Frikken, 2003.
5.1.3.1.
Rocas de caja
El complejo de brechas Sur-Sur se encuentra hospedado en plutones miocenicos del batolito

San Francisco que a su vez intruyen las rocas volcanicas calcoalcalinas cenozoicas pertene-
60
cientes a la formacion Farellones (Serrano et al, 1996).
5.1.3.1.1.
Granodiorita Cascada
Corresponde a una de las facies del batolito San Francisco y constituye la roca de caja en el
sector este del complejo de brechas. Es una roca homogenea de grano fino, cuya mineraloga
principal consta de plagioclasas, ortoclasa, cuarzo, biotita y hornblenda. Como minerales
accesorios se presentan oxidos de fierro y sulfuros diseminados (pirita).
Es una roca esteril y fresca aunque en las cercanas al contacto con el complejo de brechas
se aprecian vetillas de sulfuros con halos de alteracion cuarzo-serictica. Algunas variaciones
en profundidad de esta roca dan lugar a la Diorita (Dio).
5.1.3.2.
Complejo de brechas
El sector Sur-Sur se caracteriza por la presencia de 4 cuerpos de brechas mayoritarias que

afloran formando una franja de 5 km de largo con acimut N 10 a 30 O. Generalmente presentan contactos tajantes subverticales con las rocas de caja que las rodean. La extension
vertical conocida es superior a 1 Km bajo la superficie actual (Serrano et al, 1996).
La clasificacion de estas brechas se basa en su contenido de turmalina y variaciones texturales,
la cual es presentada en la tabla 5.1 (Vargas et al, 1999).
Nombre
S
mbolo
Turmalina
BT
BXT
BXTT
Castellana
BXTO
Paloma
BXTTO
Monolito
BXMN
Caracter
sticas
Forma
< 5 % de turmalina, clastos angulares

5-15 % de turmalina, clastos incrementalmente redondeados
> 15 % de turmalina
Margen exterior transicional
50-90 % de matriz de polvo de roca, clastos

redondeados
Menos 10 % de turmalina
Cuerpo elongado NS, trunca el sector Oeste

de BXT
50-80 % de matriz de polvo de roca
Diques NS que cortan el resto de las brechas
50-80 % de matriz de polvo de roca y cloritabiotita

Transicional a BXTO en cual el contenido de
clorita es bajo.
Margen oeste gradacional con BXTO
Nucleo central de BXT elongado en direccion

NO
Tabla 5.1: Clasificacion de brechas en el sector Sur-Sur, tomado de Vargas et al, 1999.
La clasificacion posee un aspecto particular en la cual se mezclan, de un modo no determinante, aspectos texturales, de alteracion y criterios de corte en relacion al contenido de
turmalina. Esto puede provocar una clasificacion muy dependiente del encargado en realizarlo, lo cual se puede traducir en una clasificacion algo difusa con la consecuente expresion en
leyes de cobre.
61
5.1.3.2.1.
Brecha de Turmalina (BXT)
Corresponde a una brecha monoltica alojada en la Granodiorita Cascada (GDCC). La brecha esta compuesta por clastos de granodiorita de tama
no variable. En general se presenta
matriz soportada del tipo de polvo de roca, que ha sido reemplazada completamente por cemento de turmalina secundaria. El cemento contiene cantidades variables de sulfuros, sulfatos
(anhidrita y yeso), cuarzo, magnetita, especularita y biotita.
Los espacios abiertos en la brecha han sido llenados por cemento de turmalina, cuarzo y
sulfatos. El cemento de turmalina en la matriz de la brecha es generalmente de grano fino y
anhedral, sin embargo puede presentarse acicular y los cristales aparecen tanto en los clastos
como en la matriz.
La BXT ha sido subdividida en funcion de su contenido de turmalina (Serrano et al, 1996)
(tabla 5.1). Junto al cambio en contenido de turmalina se aprecian una diferenciacion en
la forma de los clastos: para contenidos bajos de turmalina los clastos son generalmente
angulares a subangulares, con el aumento en el porcentaje de matriz los clastos se presentan
mas redondeados. El tama
no de clastos vara de desde milmetros a metros.
En las porciones altas de la brecha, aparecen abundantes cavidades en la matriz, atribuibles
a la disolucion de la anhidrita y carbonatos (Vargas et al, 1999) o a espacios residuales en
los que nunca precipitaron minerales.
El emplazamiento de esta brecha se estima entre el Mioceno tardo y el Plioceno temprano
(7.1 - 5.1 Ma) basado en dataciones radiometricas K/Ar (Serrano et al, 1999).
62
Figura 5.4: Seccion EO del sector Sur-Sur, tomado de Frikken, 2003.
5.1.3.2.2.
Brecha Castellana (BXTO)
La brecha Castellana aparece como un cuerpo elongado en la direccion NS situado entre la

BXT y la brecha Monolito. La brecha es heteroltica constituida por clastos de andesita, gra-
63
nodiorita, brechas de Turmalina y brecha Monolito. Los clastos son redondeados, soportados
en una matriz de polvo de roca de color grisaceo, la cual contiene bajo o nulo contenido de
turmalina (Vargas et al, 1999).
El contenido de cobre de esta brecha es bajo (< 0.5 % CuT). En el contacto con la BXT
aumenta la abundancia de turmalina, sulfatos y especularita, junto con el incremento de
turmalina se registra un aumento en el contenido de cobre con una expresion espacial restringida.
5.1.3.2.3.
Brecha Monolito (BXMN)
La brecha Monolito no presenta una orientacion o anisotropa patente, se sit

ua al Oeste de
la BXTO. La BXMN es de tipo heteroltica compuesta de clastos de andesita, GDCC, BXT,
porfido feldespatico y porfido Don Luis (PDL).
La matriz de polvo de roca es similar a la BXTO. La diferencia la constituye la alteracion
clortica presente tanto en clastos como matriz, ya sea como c
umulos, vetillas o diseminada.
La intensidad de la alteracion vara desde incipiente hasta una casi completa obliteracion
textural.
La edad de esta brecha es de 5.2 Ma de acuerdo a una datacion K/Ar (Serrano et al, 1996).
Sin embargo, debido al tipo de clastos, esta brecha debe haberse formado con posterioridad
a BXT, porfido feldespatico y al porfido Don Luis (Frikken, 2003).
5.1.3.2.4.
Brecha Paloma (BXTTO)
La Brecha Paloma corresponde a cuerpos filoneanos que intruyen a todas las unidades litologicas descritas. Estos cuerpos se presentan elongados en la direccion NS con potencias
generalmente menores a 30 m. Su extension NS puede llegar a centenas de metros.
Se caracteriza por sus clastos peque
nos bien redondeados en una matriz fuertemente turmalinizada. La matriz tambien contiene polvo de roca, calcopirita, pirita, cuarzo, magnetita y
en menor medida clorita y siderita. (Stambuk et al, 1988).
Los clastos presentes en esta brecha corresponden a andesitas, GDCC, BXT, BXTO, BXMN
y porfido Don Luis, los cuales se encuentran intensamente alterados (texturalmente obliterados).
5.1.3.2.5.
Mineralizaci
on en el complejo de brechas
La mineralizacion en cada una de las brechas descritas aparece como sulfuros diseminados en
la matriz, clastos y en vetillas de pirita-calcopirita con halos sericticos, que cortan tanto la
64
matriz como los clastos. Los sulfuros corresponden principalmente a calcopirita y pirita con
molibdenita y en menor medida bornita.
Como minerales accesorios aparecen magnetita y hematita en proporciones variables, presentada como especularita cristalina y como seudomorfismo despues de la magnetita.
La brecha de Turmalina es la que presenta mayores concentraciones de cobre llegando localmente hasta un 10 %. Las brechas restantes con proporciones variables de turmalina, se
encuentran menos mineralizadas (Serrano et al, 1996).
5.1.3.2.6.
Relaciones de contacto
La brecha de Turmalina (BXT) se encuentra truncada en su lmite Oeste por la brecha

Castellana (BXTO). El contacto entre ambas brechas es tpicamente abrupto y generalmente
clastos de BXT son encontrados en BXTO (Vargas et al, 1999). Hacia el Oeste la brecha
BXTO grada en la brecha Monolito (BXMN). El contacto entre estas dos u
ltimas brechas es
coalescente e indistintivo entre ellas. La brecha Paloma(BXTTO) aparece cortando al resto
de las brechas como diques bien definidos de poca potencia con orientacion NS.
Los contactos entre los tipos de brecha tienen una disposicion subvertical (Stambuk et al,
1994). La figura 5.4 presenta una seccion EO en la coordenada 25550N, mostrando la disposicion de las unidades.
En relacion al contacto Este del complejo de brechas, corresponde a un contacto del tipo
gradacional de BXT con la granodiorita Cascada (GDCC), que se caracteriza por una disminucion progresiva de la turmalina que rellena los espacios interclastos. Esto da lugar a
texturas tipo mosaico como se presenta en la figura 5.5.
Figura 5.5: Imagen de sondajes mostrando la gradacion del contacto GDCC-BXT, tomado
de Frikken 2003.
65
Este tipo de contacto tiene relacion directa en las transiciones de leyes de cobre entre BXT
y GDCC que sera explicitado en la seccion de analisis exploratorio.
5.1.3.3.
P
orfidos
El complejo de brechas y la alteracion potasica presente en el sector se encuentran intruidas

por cuerpos porfidos de edad miocena tarda (Serrano et al, 1996). Se presentan como cuerpos
elongados con un espesor menor a 10 m y con una orientacion general N27 O. Los porfidos
del sector se proceden a describir a continuacion.
5.1.3.3.1.
P
orfido feldesp
atico (PF)
El PF aparece en el sector Don Luis. Presenta una textura porfrica y esta compuesto por
fenocristales de plagioclasa feldespatica, cuarzo, feldespato potasico de grano grueso y posee
biotita primaria. El PF ademas contiene zonas de alteracion biottica que contiene calcopirita
y magnetita.
5.1.3.3.2.
P
orfido cuarzo monzontico (PQM)
El PQM aparece en los sectores Ro Blanco, Los Bronces y en menor medida en el Sector la
Union. Esta compuesto de cuarzo, plagioclasa, feldespato potasico y fenocristales de biotita en
una masa de grano fino de cuarzo y plagioclasa. Presenta alteracion cuarzo-sericita, silcica. El
PQM ha sido datado en 5.2 Ma basados en dataciones radiometricas K/Ar y Ar/Ar (Serrano
et al, 1996).
5.1.3.4.
Complejo subvolc
anico
Corresponde a un complejo gneo intrusivo compuesto de tres intrusiones principales tardas,

las cuales son esteriles en relacion a la mineralizacion de cobre y molibdeno. Las tres intrusiones son comagmaticas e intruyen sucesivamente hacia en funcion de la evolucion del sistema
(Stambuk et al, 1988). La composicion caracterstica corresponde a un alto porcentaje de Si
y bajos contenidos de Ca y Mg (Vergara y Latorre, 1984). Las dataciones K/Ar sit
uan el
emplazamiento del complejo entre los 4.9 Ma y 3.9 Ma (Serrano et al, 1996).
A continuacion se procede a describir los intrusivos asociados al sistema.
5.1.3.4.1.
P
orfido Don Luis (PDL)
El porfido Don Luis aparece como un cuerpo elongado en el centro del deposito. El PDL se
encuentra parcialmente encerrado por zonas de brechizacion magmaticas que son consideradas
66
formadas durante el emplazamiento de las brechas. Esta zona brechizada es denominada

brecha de emplazamiento (Serrano et al, 1996). En general cuando la brechizacion esta ausente
los contactos con las otras rocas se presentan ntidos y no alterados, localmente se puede
encontrar alteracion cuarzo-serictica.
El PDL esta compuesto por cuarzo, plagioclasa, feldespato potasico y cantidades menores
de fenocristales de biotita en una masa de grano medio de plagioclasa y cuarzo. Basados en
dataciones K/Ar el emplazamiento del PDL tuvo lugar entre 4.9 Ma y 3.9 Ma (Serrano et
al, 1996).
5.1.3.4.2.
Chimenea Dactica
Aflora entre el PDL y la CHRIOL y tiene la forma de un cono invertido. Esta rodeada por
las zonas de emplazamiento de brechas (Serrano et al, 1996). Se compone de fenocristales de
cuarzo y plagioclasa con menor cantidad de biotita en una matriz cuarzo-feldespatica. En las
zonas de contacto existe autobrechizacion.
5.1.3.4.3.
Chimenea Rioltica
Corresponde a una chimenea de brecha subvolcanica de composicion rioltica, que en su

parte superior esta conformada por flujos de brechas tobaceos soldadas riolticas y porfido
rioltico. Parte de su extension se apoya a traves de una discordancia de erosion sobre estratos
brechizados de la Formacion Farellones. Aflora como un cuerpo circular de gran dimension
que contiene numerosas fases de intrusiones felsicas y corresponde a la intrusion final que se
emplazo en los sectores con mineralizacion y resulto en la destruccion de zonas mineralizadas
en el sector de Ro Blanco (Serrano et al, 1996).
Las dataciones sit
uan el emplazamiento de esta unidad 4.9 y 3.9 Ma (Serrano et al, 1996).
5.2.
An
alisis exploratorio de datos
Esta seccion tiene por objetivo mostrar las caractersticas espaciales, estadsticas y relaciones
de las unidades geologicas y leyes de cobre de los datos a utilizar. Como segundo objetivo se
explican las decisiones de modelamiento adoptadas para el caso de estudio.
5.2.1.
Base de datos a utilizar
La base de datos a utilizar cuenta con 2376 datos de sondajes pertenecientes a una campa
na
de exploracion del sector Sur-Sur del yacimiento Ro Blanco-Los Bronces. Los datos se en-
67
cuentran compositados a 12 m, que registran coordenadas, ley de cobre y litologa mayoritaria

asociada a cada composito.
Se encontraron nueve muestras con coordenadas duplicadas, disminuyendo el n
umero de datos
sobre el cual se realizara el estudio a 2367. La codificacion original en la base de datos contiene
siete codigos numericos correspondientes a las litologas presentadas en la tabla 5.2.1.
Codigo
4
54
20
31
34
28
29
Sigla
Litologa
GDCC
Granodiorta Cascada
DIO
Diorita
BXT
Brecha de Turmalina
BXTO
Brecha Castellana
BXTTO
Brecha Paloma
BXMN
Brecha Monolito
BXTMN Brecha de Turmalina-Monolito
Tabla 5.2: Codificacion original presente en los datos.
5.2.2.
Ubicaci
on espacial
Los muestras se disponen en sondajes subverticales e inclinados con espaciamiento en planta

de 30 x 30 m a 50 x 50 m aproximadamente. Los datos se concentran en la parte central y
superior del deposito, contenidos en un volumen de 400x600x140 m3 de coordenadas mnimas
y maximas:
E[24450-24850] - N[25050-25650] - C[3810-3950]
68
5.2.3.
Distribuci
on espacial de litologas
Figura 5.6: Mapa ubicacion de muestras proyectadas en planta presentando litologa.
Figura 5.7: Mapa de ubicacion de muestras proyectadas en seccion EO presentando litologa.
La zonacion geologica del deposito es clara de las figuras 5.6 y 5.7, donde la unidad granodiorita (GDT) se ubica en el sector Este del deposito, la unidad de brecha de Turmalina
(BXT) en el sector central y el resto de las unidades de brecha al Oeste de las anteriores.
Esta disposicion de las unidades se mantiene en profundidad.
Ademas se aprecia que la litologa BXT esta principalmente en contacto al Oeste con la
litologa BXTO, la cual a su vez se encuentra en contacto con las unidades BXMN y BXTTO.
La presencia de otras brechas al Oeste de BXT es menor. En niveles profundos la granodiorita
se encuentra en contacto con DIO.
69
5.2.4.
Estadsticas b
asicas
La unidad de brecha de Turmalina representa cerca de un 69 % de los datos, con una ley
media superior a las otras litologas (tabla 5.3). La division de las leyes de cobre seg
un
litologa presentan efecto proporcional, es decir, las leyes de la brecha de Turmalina son mas
altas y variables (mayor desviacion estandar) con respecto a las litologas de granodiorita y
otras brechas.
La zonacion en leyes de las brechas guarda relacion con su ubicacion espacial. La unidad
BXT es seguida en terminos de leyes por las unidades BXTTO y BXTO, justamente con
las cuales se encuentra en contacto, finalmente las leyes disminuyen a
un mas para BXMMN
ubicada en el sector mas Oeste de la zona de estudio.
Litologa Registros Min Max Media
GDCC
342
0.120 3.650 0.707
DIO
6
0.440 1.140 0.778
BXT
1626
0.160 7.240 1.199
BXTO
175
0.180 3.710 0.941
BXTTO
64
0.240 2.230 0.973
BXMN
120
0.140 1.260 0.460
BXTMN
34
0.240 1.080 0.614
GLOBAL
2367
0.120 7.240 1.055
Dstd
0.430
0.292
0.662
0.607
0.443
0.221
0.203
0.646
Tabla 5.3: Estadsticas basicas de ley de CuT seg

un litologa original.
Al igual que las estadsticas basicas, el grafico de probabilidad acumulada de ley de cobre
seg
un litologa (figura 5.8) muestra una diferenciacion importante de la unidad de brecha
de Turmalina en relacion a la granodiorita y las brechas BXTMN y BXMN, dejando de
manifiesto que la litologa corresponde a un control de la distribucion de cobre del deposito.
Las litologas BXTO y BXTTO presentan una porcion de sus distribuciones cercanas a la
distribucion de BXT como se aprecia en la figura 5.8.
70
Figura 5.8: Distribucion acumulada de ley de cobre seg

un litologa original.
Debido al bajo n
umero de datos de algunas litologas se procedio a agrupar en tres unidades
principales:
BXT correspondiente a la brecha de Turmalina.
GDT compuesta por GDCC y DIO y denominada como granodiorita.
OBX unidad ((Otras brechas)) compuesta por las unidades restantes de brecha.
El grafico de probabilidad acumulada y estadsticas basicas de estas unidades litologicas
se presentan en la figura 5.9 y tabla 5.4. La figura 5.10 presenta la ubicacion espacial del
resultado de las agrupaciones.
71
Figura 5.9: Distribucion acumulada de cobre seg

un litologa.
Litologa Registros Min Max Media Dstd

GDT
348
0.120 3.650 0.707 0.430
BXT
1626
0.160 7.240 1.199 0.662
OBX
393
0.140 3.710 0.769 0.512
GLOBAL
2367
0.120 7.240 1.055 0.646
un litologa agrupada.
72
Figura 5.10: Mapa de ubicacion de muestras en planta seg

un agrupacion litologica.
En la figura 5.9 las litologas granodiorita (GDT) y el grupo de otras brechas (OBX) presentan
leyes muy similares entre s para casi el 80 % de sus distribuciones. La parte alta de la
distribucion de OBX probablemente corresponda a leyes de BXTO en las cercanias de la
zona de contacto con BXT.
Debido a la similitud en estadsticas de las unidades OXBT y GDT, y con objeto de simplificar
la puesta en marcha de los modelos, se procede a agrupar estas unidades en la unidad geologica
litologas de no brechas de turmalina (NoBXT), dando lugar a solo dos unidades geologicas
finales en la realizacion del presente estudio.
Si bien esta decision puede parecer demasiado simplificadora en el escenario de una estimacion
de recursos real y en cierta medida transgresora al unir unidades de naturaleza geologica
distinta, el control geologico ejercido por la litologa BXT en la distribucion de ley de cobre,
es suficiente para ilustrar los objetivos planteados del presente estudio por medio de los
distintos modelos a desarrollar.
73
Figura 5.11: Distribucion acumulada de cobre seg

un unidad geologica.
La distribucion acumulada de leyes para las unidades geologicas finales se presenta en la

figura 5.11, de la cual se desprende que la forma de las distribuciones de leyes de ambas
unidades es similar, pero con un valor de leyes de cobre superior para la unidad de brecha de
Turmalina. En efecto la ley media de la unidad de brechas de Turmalina (BXT) es un 60 %
mas alta que para la unidad restante (NoBXT).
Ug
Registros Min Max Media
NoBXT
741
0.120 3.710 0.740
BXT
1626
0.160 7.240 1.199
GLOBAL
2367
0.120 7.240 1.055
Dstd
0.476
0.662
0.646

un unidad geologica.
5.2.5.
Relaci
on espacial de unidades y leyes
En la figura 5.12 se aprecia que las leyes altas se concentran en la brecha de Turmalina,
mostrando una disminucion en las leyes al pasar a las litologas de Granodiorita y Otras
Brechas. Se observa que no es posible distinguir un cambio espacial notorio entre las leyes de
Granodiorita y Otras Brechas.
74
Figura 5.12: Vista en planta de muestras con ley de cobre.
La figura 5.13 presenta perfiles o derivas de leyes de cobre al agrupar las leyes seg
un sus
coordenadas EO, NS y vertical. Se aprecia que las leyes altas se tienden a concentrar en el
sector central y dos zonas de alta ley se aprecian en los sectores Norte y Sur del deposito.
La similitud estadstica, en la forma de la distribucion de ley de cobre para las unidades
geologicas, tiene una expresion espacial particular, donde las leyes de ambas unidades se
encuentran casi escaladas en valores mostrando un comportamiento espacial similar. Lo anterior, es especialmente notorio al considerar los perfiles en profundidad en donde las leyes
medias de ambas unidades se mantienen constantes en la vertical.
La proporcion de brechas de turmalina es mayor en el sector central del deposito, disminuyendo hacia la periferia del deposito. Al igual que las leyes de cobre, la proporcion de BXT
se mantiene constante en profundidad.
75
Figura 5.13: Derivas de ley de cobre por unidad geologica y derivas de proporcion de BXT.
76
Con objeto de analizar las transiciones de leyes entre las unidades litologicas se calcularon
las leyes medias seg
un la distancia al contacto entre los tres grupos de litologas (BXT, OBX,
GDT).
Figura 5.14: Contacto de leyes de CuT entre unidades litologicas.

La figura 5.14 muestra los contactos transicionales entre la brecha de Turmalina y las unidades
litologicas Otras brechas y Granodiorita. Se aprecia que el contacto entre la unidad de BXT
y las Otras brechas es mas gradual que con la Granodiorita.
Finalmente se presenta el contacto entre la unidad NoBXT con respecto a la brecha de Turmalina, para las cuales se mantiene el caracter transicional de las leyes en torno al contacto.
Figura 5.15: Contacto de leyes de CuT entre unidades geologicas.
77
5.3.
Aspectos de la implementaci
on de los modelos
Los datos mostrados en el analisis exploratorio fueron utilizados para obtener los modelos
variograficos del indicador de BXT y leyes de cobre de las unidades geologicas para cada uno
de los modelos a desarrollar.
Con objeto de obtener distribuciones representativas de leyes y proporciones de unidades
geologicas presentes en el deposito, fue llevada a cabo una desaglomeracion global por el
metodo de las celdas (Deustch and Journel, 1998), utilizando un tama
no de celda relativa al
espaciamiento de las muestras.
Debido a que las distribuciones de leyes de cobre no son gaussianas sino cercanas a distribuciones lognormales, es necesario efectuar una transformacion de las leyes al espacio gaussiano,
como fue descrito en la metodologa.
Es importante mencionar que los modelos variograficos fueron calculados y modelados en las
direcciones horizontal y vertical para simplificar el modelamiento en esta etapa pues no se
considero una posible anisotropa en el plano horizontal. Pese a que existe una perdida de
calidad en el modelamiento, esta decision fue adoptada para todos los modelos a desarrollar.
Las (co)simulaciones gaussianas fueron efectuadas en el software Isatis, las etapas previas
y el postproceso de las realizaciones se efectuaron en rutinas implementadas en Matlab y
Fortran.
El modelo de cosimulacion via metodo secuencial gaussiano y de indicador fue realizado a
partir de una modificacion del programa SGSIM, parte del paquete GSLIB (Deustch and
Journel, 1998).
Para cada uno de los modelos se generaron 100 realizaciones de ley de CuT y unidades
geologicas. Se utilizaron semillas aleatorias distintas para cada realizacion con el proposito
de evitar similitudes o correlacion artificial entre las realizaciones de los distintos modelos
debido a este aspecto.
5.3.1.
Grilla de simulaci
on y muestras condicionantes
Con objeto de disminuir los tiempos de calculo de las realizaciones y postproceso, se escogio una planta representativa para aplicar los distintos modelos. Las especificaciones de la
grilla se presentan en la tabla 5.6.
78
# Nodos
NX 390
NY 590
NZ
1
Espaciamiento Coordenadas origen

DX
1m
XMIN
24450 m
DY
1m
YMIN
25050 m
DZ
12 m
ZMIN
3945 m
Tabla 5.6: Especificaciones grilla de trabajo usada en las simulaciones.
La resolucion de la grilla fue determinada para considerar el largo de composito de 12 m de

los datos disponibles, a su vez homologable con la altura de banco presente en la operacion
minera.
Como datos condicionantes, se escogieron aquellas muestras dispuestas en la coordenada de
la planta seleccionada con una influencia de 7.5 m en torno a ella, resultando en 520 datos
presentados en la figura 5.16.
Figura 5.16: Datos condicionantes que registran ley de CuT y unidad geologica.
5.3.2.
Par
ametros de simulaci
on
Las (co)simulaciones gaussianas fueron realizadas utilizando el metodo de bandas rotantes

(Lantuejoul, 1994) con 1000 lneas, utilizando (co)kriging simple en la etapa de condicionamiento.
Los parametros de b
usqueda utilizados se especifican en la tabla 5.7. El radio de b
usqueda
fue escogido de modo de simular toda la extension de la planta seleccionada. Se utilizo un
esquema de restriccion de muestras que permita el uso balanceado de la informacion.
79
Distancia de b
usqueda horizontal (m)
# mnimo de muestras
# de sectores
# muestras optimas por sector
200
4
8
6
Tabla 5.7: Parametros de b

usqueda usados en las simulaciones por bandas rotantes.
En el caso del modelo secuencial gaussiano-indicador, se simulo en un dominio de tres plantas

de modo que los datos condicionantes escogidos quedaran correctamente migrados a los nodos.
Los parametros de b
usqueda de este modelo se especifican en la tabla 5.3.2.
Distancia busqueda horizontal (m)
# n
umero de nodos usados para simular
200
16
Tabla 5.8: Parametros de b

usqueda en modelo SGS-SIS.
En las secciones siguientes se presenta la implementacion de cada modelo.
5.4.
Simulaci
on de leyes sin control geol
ogico
La puesta en marcha de este modelo solo requiere la transformacion de todas las leyes a una
distribucion gaussiana reducida y el modelamiento variografico asociado.
La figura 5.17 y tabla 5.9 presentan el modelo variografico utilizado en este modelo. Se aprecia
una anisotropa zonal en la direccion vertical, que tiene una expresion en la baja variabilidad
de las leyes en la vertical presentada en la seccion de analisis exploratorio. Esta anisotropa
esta relacionada con la verticalidad del proceso de formacion del deposito (brechizacion y
ascenso de fluidos mineralizadores).
80
Figura 5.17: Modelo variografico de variable transformada gaussiana de ley de CuT usado en
la simulacion sin control geologico.
Tipo
Alcance (m)
estructura Horizontal Vertical
pepa
0
0
esferico
140
9999
esferico
56.57
99999
esferico
24.36
51.04
esferico
130
110
Contribuci
on
0.101
0.406
0.033
0.186
0.274
Tabla 5.9: Modelo variografico para variable transformada gaussiana de ley de CuT (todas
las muestras).
Una de las 100 realizaciones de leyes de cobre generadas, se presenta en la figura 5.18, en
la cual se aprecia el correcto condicionamiento a las muestras, as como la textura impuesta
por el modelo variografico en las leyes simuladas.
81
M1 Realizacion CUT
3.2
25550.
25450.
CUT
Norte [m]
2.2
25350.
1.2
25250.
25150.
0.2
24750.
24650.
24550.
24450.
25050.
Este [m]
Figura 5.18: Realizacion modelo simulacion sin control geologico.
82
5.5.
Simulaci
on de leyes con control geol
ogico determinstico
Se utiliza un modelo geologico determinstico para simular las leyes al interior de cada unidad
geologica. La puesta en marcha de este modelo, requiere la transformacion gaussiana, modelamiento variografico y simulacion de leyes independientemente para cada unidad geologica.
La figura 5.19 y las tablas 5.10 y 5.11 presentan el modelo variografico de las leyes de cobre
(transformadas a variables gaussianas) para cada unidad geologica. Se observa que el modelo
variografico de la variabla gaussiana transformada de la ley de cobre para la unidad BXT,
presenta una anisotropa geometrica con una mayor continuidad en la direccion vertical. En
el caso de la unidad de NoBXT muestra una anisotropa zonal similar a la presente en el
modelo sin control geologico.
Figura 5.19: Modelos variograficos de la variable gaussiana transformada de ley de CuT para
BXT y NoBXT.
Tipo
Alcance (m)
pepa
0
0
esferico
30
30
esferico
230
230
esferico
30
110
Contribuci
on
0.174
0.099
0.474
0.253
Tabla 5.10: Modelo variografico de la variable gaussiana transformada de ley de CuT para la
unidad BXT.
La figura 5.20 muestra una realizacion de ejemplo y el modelo geologico determinstico asociado. Se aprecia el cambio abrupto en algunas zonas de contacto entre ambas unidades
83
Tipo
Alcance (m)
pepa
0
0
esferico
25
40
esferico
70
9999
esferico
120
9999
Contribuci
on
0.051
0.459
0.255
0.235
Tabla 5.11: Modelo variografico de la variable gaussiana transformada de ley de CuT para la
unidad NoBXT.
geologicas, debido a la independencia asumida entre las leyes de cobre de cada unidad.
Este modelo se puede entender como un ensamblaje de dos realizaciones de leyes para cada
unidad por medio del modelo geologico determinstico. En el caso que las realizaciones de
leyes para cada unidad fueran realizadas en todo el dominio, el ensamblaje corresponde
a enmascarar por el modelo geologico. De este modo se generaron 100 posibles escenarios
combinados.
La independencia asumida en las realizaciones de cobre para cada unidad geologica lleva a
evaluar la decision implcita en la combinacion uno a uno de cada realizacion adoptada en
este modelo. La situacion se procede a explicar a continuacion:
En caso de contar con n realizaciones de leyes para cada unidad, se podran combinar los
posibles ensamblajes, siendo cada uno
escenarios de leyes independientes generando n(n1)
2
de ellos una posible representacion de las leyes del deposito. Si bien se puede pensar que la
informacion es redundante en terminos de valores esperados, puede que no lo sea al considerar
funciones de transferencia distintas.
84
M6 Realizacion CUT
M6 Modelo Geologico
3.2
25550.
25550.
25450.
NOBXT
25450.
Norte [m]
25350.
UG
CUT
25350.
1.2
25250.
25250.
BXT
25150.
25150.
0.2
25050.
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
Norte [m]
2.2
Este [m]
Figura 5.20: Realizacion de ley de CuT y modelo geologico determinstico.
85
5.6.
Simulaci
on independiente de leyes y unidades geol
ogicas
En este modelo la implementacion de la simulacion de leyes de cobre es identica a la usada

en el modelo con control geologico determinstico, luego, los variogramas de ley de cobre de
cada unidad son los mismos que los usados en el caso anterior.
La diferencia corresponde a utilizar un modelamiento probabilstico de las unidades geologicas
en lugar del modelo geologico determinstico. El modelamiento probabilstico es realizado por
medio del metodo de gaussiana truncada, que se procede a describir a continuacion:
5.6.1.
Codificaci
on de unidades geol
ogicas
Esta consiste en la codificacion de las unidades geologicas en indicador como sigue:

(
1BXT (x) =
1 Si UG(x) es BXT
0 Si UG(x) es NoBXT
(5.1)
donde x corresponde a los sitios de muestreo.

De este modo las simulaciones de unidades geologicas corresponden a la simulacion de un
u
nico indicador.
5.6.2.
Bandera de truncaci
on
La proporcion de BXT fue modificada de la global para considerar la proporcion desaglomerada de BXT en la planta de estudio. La figura 5.21 presenta la bandera de truncacion con
la proporcion y valor del umbral de truncacion asociado.
Figura 5.21: Bandera de truncacion.
86
5.6.3.
Modelamiento del variograma del indicador de BXT
El modelamiento del variograma del indicador es realizado indirectamente modelando el

variograma de la funcion aleatoria gaussiana subyacente que, por medio del umbral relativo a
la proporcion de BXT, se identifique con el variograma experimental del indicador. El modelo
variografico de la gaussiana asociada al indicador es presentado en la tabla 5.12 y en la figura
5.22 se presenta el ajuste al indicador de BXT.
Figura 5.22: Modelo variografico del indicador de BXT.

Tipo
Alcance (m)
c
ubico
280
4500
c
ubico
138
350
c
ubico
60
120
Contribuci
on
0.8
0.1
0.1
Tabla 5.12: Modelo variografico de la gaussiana asociada al indicador de BXT.
5.6.4.
Obtenci
on de valores gaussianos en los sitios de muestreo
Una vez obtenido el modelo variografico de la funcion aleatoria gaussiana subyacente es

posible generar valores gaussianos que cumplan con la regla de truncacion en los sitios de
muestreo por medio del muestreador de Gibbs. El procedimiento se detalla a continuacion:
1. Generar valores gaussianos aleatorios en los sitios de muestreo que cumplan la regla de
truncacion, es decir, si la muestra es BXT el valor gaussiano sea mayor que el valor
asociado al umbral y lo opuesto para la unidad restante. Hasta este punto solo se cuenta
con valores gaussianos que respetan la regla de truncacion, pero no consideran el modelo
variografico de la funcion aleatoria gaussiana y, por ende, la del indicador asociado.
87
2. Luego se procede a iterar visitando cada muestra y reemplazando su valor gaussiano

por un valor simulado a partir de los circundantes, utilizando el modelo variografico
gaussiano especificado en la tabla 5.12. Logicamente se chequea que el valor simulado
siga cumpliendo la regla de truncacion. De este modo se imprime el modelo variografico
a los datos en los sitios de muestreo.
3. Volver al punto dos hasta cierto n
umero de iteraciones.
Debido al caracter aleatorio del orden de reemplazo de muestras y de la simulacion en s, se
generaron 100 realizaciones de valores gaussianos en las muestras condicionantes, para ser
usados en cada una de las realizaciones de las funciones aleatorias gaussianas en la grilla de
trabajo.
5.6.5.
Simulaci
on de la funci
on aleatoria gaussiana y truncaci
on
Con los datos condicionantes obtenidos de la etapa anterior, se procede con la simulacion
gaussiana tradicional, para luego aplicar la regla de truncacion a las realizaciones gaussianas
obteniendose las realizaciones de las unidades geologicas. La figura 5.23 presenta una realizacion de cobre y unidad geologica asociada donde se aprecia un contacto duro en el sector
Sur-Oeste entre las unidades de BXT y NOBXT.
M5 Realizacion CUT
M5 Realizacion UG
3.2
25550.
25550.
25450.
NOBXT
25450.
Norte [m]
25350.
UG
CUT
Norte [m]
2.2
25350.
1.2
25250.
25250.
BXT
25150.
25150.
0.2
25050.
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
24450.
25050.
Este [m]
Figura 5.23: Realizaciones ley de CuT y UG para el modelo de simulacion independiente.
Las simulaciones de leyes de cobre son generadas para cada realizacion de unidades geologicas
al igual que en el modelamiento con control geologico determinstico.
88
En este modelo, se presenta el mismo aspecto de la decision arbitraria de como asociar

las realizaciones de cobre de las unidades y, en este caso ademas, como asociarlas con las
realizaciones de las unidades geologicas.
En el presente trabajo este modelo es denominado indistintamente como ((simulacion independiente de leyes y geologa)) o ((simulacion de leyes con control geologico probabilstico
independiente)).
5.7.
Simulaci
ogicas
SGS-SIS
Este modelo corresponde a la primera aproximacion utilizada para la simulacion conjunta

de unidades geologicas y leyes, el cual se basa en los algoritmos secuencial gaussiano y de
indicadores para generar cosimulaciones de ambas variables.
5.7.1.
Codificaci
on de datos en indicadores
La codificacion de los datos de unidades geologicas en indicadores procede del mismo modo
que en el modelo de simulacion independiente.
5.7.2.
Transformaci
on de leyes de cobre
Se procede a transformar las leyes de cobre a una distribucion gaussiana. Se consideran todas
las muestras para esta transformacion, independendientemente de la unidad geologica a la
que pertenezcan.
5.7.3.
Variografa conjunta (directa) de leyes de cobre e indicador

de BXT
Se procede a calcular los variogramas simples y cruzados para las variables de ley de cobre
transformada e indicador de BXT, para luego generar un modelo de coregionalizacion entre
ambas variables.
La figura 5.24 y tabla 5.13 presentan los variogramas experimentales y modelo variografico
asociado. Vale la pena hacer notar la simplicidad del modelamiento en este enfoque y el buen
ajuste del modelo variografico a los variogramas experimentales. La relacion ascendente en
el variograma cruzado representa una correlacion positiva entre la ocurrencia de BXT y las
leyes altas de cobre.
89
Figura 5.24: Modelos variograficos simples y cruzados entre gaussiana de cobre (YCuT ) e
indicador de BXT (1BXT ).
Tipo
Alcance (m)
pepa
0
0
c
ubico
60
120
c
ubico
280
4500
c
ubico
138
350
esferico
22
40
1bxt x 1bxt
0.0003
0.0292
0.1371
0.0342
0.0293
Contribuciones
YCuT x YCuT 1bxt x YCuT
0.143
0.006
0.132
-0.007
0.176
0.115
0.389
0.115
0.175
-0.008
Tabla 5.13: Modelo variografico para cosimulacion SGS-SIS.
90
5.7.4.
Cosimulaci
on indicador BXT y ley de cobre
Las etapas son:

Asignacion de las muestras condicionantes de indicadores y gaussiana asociada a la ley
cobre a los nodos de la grilla de simulacion.
Sorteo de un orden aleatorio de simulacion.
Obtencion de la media condicional y varianza condicional por medio de cokriging a
partir de los datos gaussianos y de indicadores y nodos previamente simulados.
Establecer el valor gaussiano simulado en el nodo como:
Ycs (x) = Yck (x) + ck (x) N (0, 1)
2
donde, Yck (x) y ck
(x) corresponden a la media y varianza condicional obtenida al
resolver el sistema de cokriging para los datos gaussianos y N (0, 1) es un valor aleatorio
gaussiano.
Obtencion de la probabilidad de ocurrencia asociada al indicador de BXT a partir del

mismo sistema de cokriging anterior.
Sortear por simulacion de Monte-Carlo la unidad asociada a la probabilidad obtenida
en el paso anterior.
Repetir lo anterior para todos los nodos.
Finalmente se procede por transformacion inversa para la obtencion de las realizaciones
de leyes de cobre. Por su parte la aproximacion genera directamente las realizaciones del
indicador asociado a la unidad BXT.
91
Figura 5.25: Realizaciones de cosimulacion SGS-SIS entre ley de CuT y UG.
La figura 5.25, presenta una de las realizaciones para la ley de cobre y el indicador de BXT.
Un aspecto que llama la atencion, es la ocurrencia de inconsistencias en la simulacion de UG
en la cercana de datos condicionantes. Para ahondar este hecho, se procede con la generacion
de un ejemplo sintetico de menor resolucion para mostrar lo acontecido.
En este ejemplo se procede en una grilla de 100x100 nodos, utilizando el mismo modelo
variografico del caso de estudio. Las muestras han sido escogidas en una grilla regular para
simplificar la identificacion de las inconsistencias.
En las figuras 5.26 y 5.27 se presenta una realizacion del valor gaussiano e indicador al utilizar el algoritmo estandar del metodo secuencial de indicadores y la aproximacion planteada
(cosimulacion indicador-ley de cobre). Se mantienen los parametros de simulacion y semilla aleatoria de modo de apreciar las diferencias provenientes exclusivamente del enfoque
adoptado.
92
Figura 5.26: Realizaciones de UG ejemplo sintetico iz: SIS, der: SGS-SIS.

En la figura 5.26 se observa que en general los resultados de ambos algoritmos son similares,
pero las inconsistencias en el modelo cosimulado son facilmente identificables, las cuales han
sido se
naladas con crculos blancos en la imagen de la derecha. En estos sitios se espera el
valor contrario para el indicador, debido a su cercana a los datos condicionantes.
Figura 5.27: Realizaciones de variable gaussiana ejemplo sintetico iz: SGS, der: SGS-SIS.
La figura 5.27 presenta una realizacion utilizando el algoritmo secuencial gaussiano estandar
y el enfoque de cosimulacion planteado. Se aprecia que las realizaciones asociadas a la variable
continua son muy similares.
Al examinar en detalle los pesos asignados a los nodos previamente simulados en los sitios
con inconsistencia, se deduce que estas ocurren por el siguiente motivo:
Al estimar la probabilidad de ocurrencia del indicador de BXT a partir del sistema de cokriging ordinario, su valor en cada ubicacion queda representado por la siguiente expresion:
93
1bxt (x) =
N
X
ibxt 1bxt (xi ) +
i=1
N
X
iy y(xi )
(5.2)
i=1
Donde, 1bxt (xi ) y y(xi ) corresponden a los valores de los indicadores y variable gaussiana en
los nodos previamente simulados, ibxt y iy los pesos asociados a cada muestra al resolver el
sistema de cokriging.
Debido a que el indicador u
nicamente toma valores discretos de ceros o unos, esta expresion
puede ser inconsistente producto de los pesos negativos/positivos asociados a los valores
gaussianos continuos (los cuales a su vez pueden ser negativos o positivos). Es decir, el
cokriging de una variable de indicador se ve perjudicado al usar una variable gaussiana como
covariable puesto que no provee estimacion necesariamente positivas o menores que uno.
Lo anterior puede generar un valor esperado para el indicador de BXT mayor que cero incluso
cuando los valores de indicadores son todos nulos. Conforme a lo anterior al momento de
simular un valor asociado a dicha probabilidad ocurren las inconsistencias. Las transformadas
gaussianas de leyes de CuT son afectadas en menor medida cuando los indicadores valen cero
que cuando valen uno o en los casos intermedios.
El problema es tal, que los resultados de las realizaciones de indicador y variable gaussiana
son afectadas si la codificacion de los indicadores (ecuacion 5.1) es invertida. Estos problemas
tendran directa implicancia en la reproduccion del variograma del indicador y las distribuciones de la variable continua, generando un modelo de cosimulacion no valido.
Debido al caracter secuencial de los algoritmos (los valores simulados en un nodo de la grilla se
utilizan como datos condicionantes pera simular en los nodos siguientes) estas inconsistencias
pueden propagarse sin control alguno.
Finalmente el modelo planteado es erroneo o incompleto al intentar ligar directamente una
funcion aleatoria gaussiana con valores discretos asociados al indicador. No debido a una
inconsistencia del modelo variografico o resolucion del sistema de cokriging, sino al valor
tomado por los datos de indicadores, para los cuales el cokriging no formula ninguna hipotesis.
Por otro lado el modelo planteado no explota completamente el modelo variografico planteado, solo se utiliza el valor estimado del indicador (como probabilidad de ocurrencia de
UG), mientras que la informacion relativa a la varianza de estimacion del indicador as como
la covarianza entre los errores del indicador y la funciona aleatoria gaussiana asociada a las
leyes de cobre no son consideradas.
Por este motivo se abandona este modelo en el presente estudio y sus resultados no seran
incluidos en los captulos de comparaciones ni validaciones de los modelos.
Debido a esto se explora en la seccion siguiente un modelo algo mas complejo en su implementacion, pero que considera implcitamente los aspectos encontrados en el modelo de
cosimulacion SGS-SIS.
94
5.8.
Simulaci
ogicas
SG-GT
Este modelo es el medular de este trabajo y su principal caracterstica es incorporar la

correlacion existente entre la aparicion de cierta unidad geologica y las leyes de cobre. Para
ello se beneficia de la simulacion gaussiana tradicional y la simulacion gaussiana subyacente
en el metodo de gaussiana truncada o plurigaussiana.
La implementacion del modelo se describe a continuacion.
5.8.1.
Codificaci
on de UG y bandera de truncaci
on
En esta etapa se conservan las proporciones y codificacion usadas en el modelo de simulacion

de unidades geologicas descrito en la seccion 5.6.
5.8.2.
Transformaci
on de leyes de cobre
Esta etapa procede del mismo modo que en el caso de simulacion sin control geologico, es decir
se transforman todas las leyes de CuT, sin distincion por unidad geologica, a una distribucion
gaussiana.
5.8.3.
Variografa conjunta (indirecta) de leyes de cobre e indicador de BXT
En esta etapa se procede a generar un modelo variografico conjunto que caracterice la correlacion espacial entre la variable del indicador de BXT y las leyes de cobre (transformadas a
gaussianas). La figura 5.28 presenta los variogramas simples y cruzados para ambas variables.
El modelamiento variografico es realizado indirectamente a traves de las funciones aleatorias
gaussianas asociadas a las leyes de cobre (YCuT ) e indicador (YBXT ) y utilizando el umbral
y1 relativo a la proporcion de BXT.
Debido al uso del modelo lineal de corregionalizacion y al calculo indirecto, el modelamiento
del variograma de las leyes de cobre transformadas no es perfecto, pero en contra parte se
logra un modelamiento aceptable para el variograma cruzado del indicador de BXT y leyes
de CuT. Este u
ltimo modela la dependencia espacial existente entre el indicador de BXT y
la ley de cobre.
De la tabla 5.14 se aprecia que tres estructuras c
ubicas tienen participacion en ambas variables
y una estructura esferica que solo opera en la ley de cobre.
95
Figura 5.28: Modelos variograficos simples y cruzados entre gaussiana de cobre (YCuT ) e
indicador de BXT (YBXT ).
Tipo
Alcance (m)
pepa
0
0
c
ubico
60
120
c
ubico
280
4500
c
ubico
138
350
esferico
22
40
YBXT x YBXT
0
0.1
0.8
0.1
0
Contribuciones
YCuT x YCuT YBXT x YCuT
0.120
0.000
0.050
-0.030
0.148
-0.333
0.507
-0.218
0.238
0.000
Tabla 5.14: Modelo variografico para cosimulacion gaussiana truncada.
96
5.8.4.
Obtenci
on de valores gaussianos en los sitios de muestreo
Esta etapa consta de los siguientes pasos:

1. Generar valores gaussianos aleatorios en los sitios de muestreo que cumplan la regla
de truncacion, es decir, si la muestra es BXT el valor gaussiano sea mayor que y1 y lo
opuesto para la unidad restante.
2. Luego se procede a iterar visitando cada muestra y reemplazando su valor gaussiano
asociado al indicador por un valor obtenido de la cosimulacion gaussiana de los circundantes de yCuT y yBXT utilizando el modelo variografico especificado en la tabla 5.14.
De este modo se imprimira la correlacion existente entre leyes y geologa en los datos
gaussianos simulados.
Al ser cosimulacion se utiliza cokriging en lugar de kriging para calcular los momentos
(esperanza y matriz de varianza-covarianza) de los valores simulados en cada muestra.
3. Volver al punto dos hasta cierto n
umero de iteraciones. En este caso se utilizaron 100000
iteraciones, actualizandose cada sitio de muestreo un promedio de 40 veces.
5.8.5.
Cosimulaci
on de las funciones aleatorias gaussianas
Hasta este instante se cuenta con datos condicionantes de dos funciones aleatorias gaussianas
(una para la ley de cobre, otra para el indicador de BXT) que respetan la regla de truncacion
y el modelo variografico entre ambas funciones aleatorias.
Con esto se procede a efectuar una cosimulacion gaussiana en la grilla de trabajo. Esta vez se
obtienen directamente las realizaciones, de ambas gaussianas, asociadas a las leyes de cobre
e indicador de BXT.
Las realizaciones resultantes de ley de cobre son transformadas de vuelta al espacio original de
leyes y las realizaciones de UG son obtenidas de la truncacion de las realizaciones gaussianas
asociadas.
La figura 5.29 muestra una realizacion del modelo cosimulado de las unidades geologicas y
leyes de cobre. En esta se aprecian transiciones blandas (graduales) entre las leyes simuladas
de ambas unidades, junto a una influencia de las unidades geologicas en las leyes simuladas
de CuT con respecto al modelo simulado sin control geologico.
97
M2 Realizacion CUT
M2 Realizacion UG
3.2
25550.
25550.
25450.
NOBXT
25450.
Norte [m]
25350.
UG
CUT
25350.
1.2
25250.
25250.
BXT
25150.
25150.
0.2
25050.
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
Norte [m]
2.2
Este [m]
Figura 5.29: Realizaciones de cosimulacion SG-GT entre ley de CuT y UG.
98
5.9.
Simulaci
on conjunta de leyes y UGs con incorporaci
on de conocimiento adicional
Este subcaso presenta la flexibilidad del modelo de cosimulacion de unidades geologicas y

leyes para la incorporacion de conocimiento geologico mas alla de los datos disponibles.
El objetivo basico de todo modelo geologico es obtener un modelo predictivo a partir de informacion fragmentaria como lo constituyen los datos de sondajes disponibles. Es usual saber
por medio de deducciones geologicas u otro tipo de informacion acerca de la no existencia de
tal o cual unidad en ciertas zonas del deposito.
La utilizacion de dicho conocimiento en los modelos n
umericos puede ser materializado por
medio de la incorporacion de muestras adicionales de geologa (sin que se conozca la ley en
estas muestras). De este modo se plantean dos subcasos con la incorporacion de datos extras.
Estos subcasos seran denominados como cosimulaciones heterotopicas, que seran descritos a
continuacion.
5.9.0.1.
Cosimulaci
on heterot
opica 5 %
Todos los parametros, modelos variograficos y proporciones son los mismos utilizados en el
caso de cosimulacion anterior.
En la figura 5.30 se muestran los datos adicionales que corresponden a un 5 % mas de los
datos disponibles en un principio. Se aprecia que las muestras incorporadas se disponen en las
zonas perifericas de la zona de estudio, en los lugares donde se tiene un alto grado de certeza
de la unidad geologica en cuestion pero poca informacion de sondajes. Los datos adicionales
fueron tomados al muestrear el modelo geologico tradicional.
99
Figura 5.30: Muestras adicionales de unidad geologica 5 %.
La figura 5.31 muestra una realizacion de ejemplo de las leyes de cobre y unidades geologicas
incorporando un 5 % de muestras adicionales con informacion geologica.
M3 Realizacion CUT
M3 Realizacion UG
3.2
25550.
25550.
25450.
NOBXT
25450.
Norte [m]
25350.
UG
CUT
Norte [m]
2.2
25350.
1.2
25250.
25250.
BXT
25150.
25150.
0.2
25050.
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
24450.
25050.
Este [m]
Figura 5.31: Realizaciones de cosimulacion incorporando un 5 % adicional de datos de UG.
100
5.9.0.2.
Cosimulaci
on heterot
opica 30 %
En este caso las muestras adicionales corresponden a un 30 % de las muestras originales,

nuevamente dispuestas en sectores con un alto nivel de certeza en la existencia o no de
BXT(figura 5.32). En la figura 5.33 se presenta una realizacion de ejemplo para el modelo
mostrando los datos condicionantes de leyes y geologa.
Es posible apreciar las leyes bajas/altas en el sector NE de la zona de estudio, las cuales
estan relacionadas con la realizacion asociada de unidades geologicas. Ademas la zona de
bajas leyes en el mismo sector es mas definida que en los modelos sin control geologico o con
control geologico probabilstico independiente.
Figura 5.32: Muestras adicionales de unidad geologica 30 %.
101
M4 Realizacion CUT
M4 Realizacion UG
3.2
25550.
25550.
25450.
NOBXT
25450.
Norte [m]
25350.
UG
CUT
Norte [m]
2.2
25350.
1.2
25250.
25250.
BXT
25150.
25150.
0.2
25050.
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
24450.
25050.
Este [m]
Figura 5.33: Realizaciones de cosimulacion incorporando un 30 % adicional de datos de UG.
102
En los captulos siguientes se hace uso intensivo de la leyenda asociada a cada modelo o
nombre alternativo que se presenta en la tabla 5.15.
C
odigo
Color
M1
ROJO
M2
M3
M4
AZUL
VERDE
ROSA
M5
NEGRO
M6
AMARILLO
Nombre Modelo
Simulacion
de leyes
sin control geologico
Simulacion conjunta de
leyes y geologa
Nombre alternativo
Simulacion sin control
geologico
leyes y geologa
con informacion adicional
leyes y geologa
con informacion adicional
Simulacion independiente
de leyes y unidades
geologicas
Simulacion de leyes con
control geologico
determinstico
Cosimulacion heterotopica
5%
Cosimulacion homotopica
Cosimulacion heterotopica
30 %
Simulacion con control
geologico probabilstico
Simulacion con control
geologico determinstico
Tabla 5.15: Leyenda de codigos, color y nombre alternativo por cada modelo.
103
Captulo 6
Comparaci
on de modelos
En este captulo se presentan las comparaciones de los modelos a soporte puntual sobre el
cual fueron generados.
6.1.
6.1.1.
Estadsticas b
asicas
Ley de cobre total
La figura 6.1 presenta la distribucion de leyes medias por realizacion seg

un modelo y la tabla
6.1 sus estadsticas asociadas. Los modelos cosimulados poseen una distribucion de leyes
medias menor que los modelos simulados independientemente y que el modelo sin control
geologico.
Las distribuciones de leyes medias por realizacion disminuyen al incorporar informacion adicional. Este hecho evidencia que la incorporacion de muestras adicionales referentes a la
unidad geologica influyen las realizaciones de leyes de cobre, en este caso, muestras de NOBXT correspondiente mas bien a bajas leyes de cobre.
104
Figura 6.1: Distribucion de leyes medias de cobre por realizacion seg

un modelo.
Modelo
M1
M2
M3
M4
M5
M6
Registros
100
100
100
100
100
100
Min
0.960
0.965
0.955
0.937
0.944
0.953
Max Media
1.098 1.023
1.069 1.014
1.085 1.009
1.051 0.997
1.095 1.025
1.097 1.021
Dstd
0.028
0.023
0.026
0.023
0.032
0.029
Tabla 6.1: Estadsticas basicas de leyes medias por realizacion seg

un modelo.
105
Figura 6.2: Distribucion de varianzas de ley de cobre por realizacion seg

un modelo.
Modelo
M1
M2
M3
M4
M5
M6
Registros
100
100
100
100
100
100
Min
0.445
0.388
0.393
0.363
0.362
0.351
Max Media
0.823 0.580
0.690 0.539
0.804 0.533
0.673 0.524
0.717 0.518
0.741 0.517
Dstd
0.082
0.062
0.071
0.062
0.063
0.062
Tabla 6.2: Estadsticas basicas de varianza por realizacion seg

un modelo.
La figura 6.2 presenta la distribucion de varianzas de leyes de cobre por realizacion seg
un
modelo y la tabla 6.2 sus estadsticas asociadas. El modelo sin control geologico (M1) presenta realizaciones considerablemente mas variables que los modelos restantes. Los modelos
con control geologico determinstico (M6) y probabilstico independiente (M5) presentan las
realizaciones menos variables.
En el caso de los modelos cosimulados (M2, M3 y M4) se muestra que el aumento de informacion geologica genera distribuciones de leyes menos variables, debido principalmente a la
adicion de muestras de unidad NoBXT que influencia en la simulacion de leyes mas bajas y
correlativamente de menor dispersion (efecto proporcional).
106
6.1.2.
Proporci
on BXT
Figura 6.3: Distribucion de proporcion BXT por realizacion seg

un modelo.
Modelo
M2
M3
M4
M5
M6
Registros
100
100
100
100
100
Min
0.503
0.499
0.499
0.505
0.565
Max Media
0.603 0.555
0.566 0.536
0.557 0.527
0.592 0.554
0.565 0.565
Dstd
0.018
0.013
0.011
0.017
0.000
Tabla 6.3: Estadsticas basicas de la proporcion de BXT por realizacion seg

un modelo.
La figura 6.3 muestra la distribucion de proporcion de brecha de Turmalina por realizacion

seg
un modelo y la tabla 6.3 sus estadsticas asociadas. Se aprecia que el modelo cosimulado homotopico (M2) presenta una distribucion de proporciones de BXT similar al caso de
simulacion independiente (M5).
Los modelos cosimulados con muestras adicionales presentan menores proporciones de BXT,
debido a que las muestras adicionadas son principalmente de la unidad NoBXT.
El modelo M6 no muestra variabilidad en la proporcion de BXT dado que propone que las
UG estan perfectamente conocidas y delimitadas (fijas), situacion que naturalmente no se
cumple en la realidad.
107
6.2.
6.2.1.
Valores esperados
Ley de cobre total
La figura 6.4 presenta el promedio de las realizaciones de las leyes de cobre nodo a nodo
seg
un modelo. Se aprecia que los modelos cosimulados (M2, M3, y M4) y el modelo sin
control geologico (M1) son muy similares entre s.
Los modelos con control geologico probabilstico independiente (M5) y con control geologico
determinstico (M6) lucen similares entre s, mostrando menos definicion de las zonas de altas
y bajas leyes que los modelos M1 a M4. Es posible observar transiciones abruptas de ley para
el modelo de simulaciones que utiliza el modelo geologico determinstico (M6).
Los modelos M5 y M6 producen realizaciones de ley de cobre con fronteras duras al cambiar
de UG. Sin embargo, la posicion de esta frontera cambia de realizacion a realizacion en M5,
por lo cual no aparece ntidamente al promediar las realizaciones. En cambio, en M6, las
fronteras son inamovibles de una realizacion a otra y por ende en el promedio de estas.
Las muestras adicionales en los modelos cosimulados M3 y M4 se traducen en una mayor
definicion de leyes bajas en la zona NE de la grilla de trabajo. Al igual que las medias por
realizacion, las estadsticas basicas de los valores esperados en cada nodo por modelo (tabla
6.4) muestran la disminucion de leyes y aumento en la variabilidad de los modelos cosimulados
M2, M3 y M4, con respecto a los modelos restantes.
La figura 6.5 presenta las curvas tonelaje-ley para los valores esperados de cada modelo.
Los modelos cosimulados (M2, M3 y M4) y el modelo sin control geologico (M1) exhiben
curvas tonelaje-ley similares entre s, pero diferentes a los modelos con control geologico
probabilstico independiente (M5) y control geologico determinstico (M6).
En general, se aprecia que los modelos M1 a M4 presentan menos tonelaje para leyes de corte
menores que 1.5 % de CuT que los modelos M5 y M6, lo contrario sucede para leyes de corte
mayores a 1.5 % de CuT. Los modelos cosimulados M2 a M4 y el modelo M1 presentan leyes
medias sobre el umbral de corte consistentemente mayores que los modelos M5 y M6.
Por ejemplo, para un umbral de corte de 0.5 % de cobre, los modelos cosimulados presentan
en promedio un 4 % menos de tonelaje que los modelos M5 y M6. A su vez presentan un
0.01 % mas de ley media sobre este umbral (tablas 6.5 y 6.6).
108
Promedio Realizaciones M1
3.2
3.2
25550.
25550.
25450.
25450.
Cut
25350.
Norte [m]
2.2
Cut
Norte [m]
2.2
25350.
1.2
1.2
25250.
25250.
25150.
25150.
0.2
0.2
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Este [m]
3.2
3.2
25550.
25550.
25450.
25450.
Cut
25350.
Norte [m]
2.2
Cut
Norte [m]
2.2
25350.
1.2
1.2
25250.
25250.
25150.
25150.
0.2
0.2
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Este [m]
3.2
3.2
25550.
25550.
25450.
25450.
Cut
25350.
Norte [m]
2.2
Cut
25350.
1.2
1.2
25250.
25250.
25150.
25150.
0.2
0.2
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
25050.
24550.
25050.
24450.
Norte [m]
2.2
Este [m]
Figura 6.4: Valor esperado de leyes de cobre seg

un modelo.
109
0.80
4.00
3.00
0.60
2.00
0.40
1.00
0.20
0.00
0.00
M1
M2
M3
Ton sobre umbral de corte
Ley media sobre umbral de corte
5.00 Curvas Ton-Ley Promedio Realizaciones
M4
M5
M6
0.00
1.00
2.00
3.00
Ley de corte
Figura 6.5: Curvas tonelaje-ley para el promedio de las realizaciones seg

un modelo.
Modelo
M1
M2
M3
M4
M5
M6
Registros
230100
230100
230100
230100
230100
230100
Min
0.230
0.230
0.230
0.230
0.230
0.230
Max Media Dstd

5.534 1.023 0.587
5.618 1.014 0.576
5.663 1.009 0.573
5.634 0.997 0.572
4.791 1.025 0.488
4.819 1.021 0.505
Tabla 6.4: Estadsticas basicas para el promedio de las realizaciones de leyes de cobre ( %)
seg
un modelo.
Tonelaje( % del total)

Ley de corte ( % CuT) M1
M2
M3
M4
M5
M6
0.5
83.67 82.52 82.54 82.13 87.71 85.95
1
40.20 40.34 39.47 39.19 43.07 42.46
1.5
14.66 14.22 14.29 13.64 13.32 13.96
Tabla 6.5: Tonelajes seg
un modelos para leyes de corte seleccionadas.
110
Ley de corte ( %CuT)

0.5
1
1.5
Ley media sobre ley de corte ( %CuT)

M1 M2 M3 M4 M5
M6
1.14 1.14 1.13 1.13 1.11 1.12
1.55 1.53 1.53 1.52 1.45 1.47
2.10 2.07 2.06 2.06 1.93 1.94
Tabla 6.6: Leyes media sobre ley de corte, para leyes de corte seleccionadas.
6.2.2.
Probabilidad de ocurrencia de brecha de turmalina
Para cada modelo geologico probabilstico, se calculo el promedio de las realizaciones de las
simulaciones de geologa, el cual se identifica con el valor esperado del indicador de BXT en
cada nodo, interpretable como la probabilidad de ocurrencia de BXT. La figura 6.6 presenta
los resultados para los distintos modelos.
Una caracterstica com
un a todos los modelos, es la transicion de probabilidades distinta
al Este y al Oeste de la brecha de Turmalina. Al Oeste, las probabilidades se presentan
mas definidas con valores muy altos o muy bajos. Por el contrario al Este de la brecha de
Turmalina (sector de granodiorita) las probabilidades aparecen con valores mas intermedios.
Esta caracterstica es consecuente con el contacto gradacional entre las unidades BXT y
GDT, mientras entre BXT y BXTO existe un contacto tajante (Vargas et al, 1999).
Al comparar el modelo cosimulado homotopico (M2) con el modelo simulado de leyes independiente (M5), es posible apreciar la mayor definicion en las probabilidades del M2. Esto
es patente en el sector Oeste del deposito, donde la probabilidad de aparicion de BXT es
menor en el M2 que en el M5, dejando en evidencia la influencia de las leyes de cobre en las
unidades geologicas cosimuladas.
Como era esperable, en los modelos cosimulados la incorporacion de muestras adicionales
permite definir mucho mas la ocurrencia de brecha de Turmalina.
111
Probabilidad BXT M2
Probabilidad BXT M3
1.0
1.0
25550.
25550.
0.8
0.8
0.6
0.4
25250.
0.6
Prob
25350.
Norte [m]
25450.
Prob
Norte [m]
25450.
25350.
0.4
25250.
0.2
0.2
25150.
25150.
0.0
0.0
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Este [m]
Probabilidad BXT M4
Probabilidad BXT M5
1.0
1.0
25550.
25550.
0.8
0.8
0.6
0.4
25250.
0.6
Prob
25350.
Norte [m]
25450.
Prob
Norte [m]
25450.
25350.
0.4
25250.
0.2
0.2
25150.
25150.
0.0
0.0
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Figura 6.6: Probabilidad de ser BXT seg

un modelo.
La figura 6.7 presenta la unidad geologica mas probable (UGMP) para cada modelo. Todos
los modelos son muy similares entre s. De hecho el nivel de discordancias nodo a nodo entre
los modelos probabilsticos vara entre un 2 % a un 2.9 %. Las diferencias se incrementan al
comparar los modelos probabilsticos con el modelo geologico determinstico (M6) variando
desde un 4.4 % a un 5.8 % (tabla 6.7).
112
UGMP M2
UGMP M3
25550.
25550.
BXT
Norte [m]
25250.
UG
25350.
BXT
25450.
UG
Norte [m]
25450.
25350.
25250.
Este [m]
Este [m]
UGMP M4
UGMP M5
25550.
25550.
BXT
25250.
UG
UG
25350.
BXT
25450.
Norte [m]
25450.
Norte [m]
24750.
24450.
24750.
25050.
24650.
25050.
24550.
25150.
24450.
25150.
24650.
NOBXT
24550.
NOBXT
25350.
25250.
Este [m]
24750.
24450.
24750.
25050.
24650.
25050.
24550.
25150.
24450.
25150.
24650.
NOBXT
24550.
NOBXT
Este [m]
Figura 6.7: Unidad geologica mas probable seg

un modelo.
M2
M3
M4
M5
M6
M2
2.38
2.86
2.30
4.77
M3
2.38
2.06
2.49
5.84
M4
2.86
2.06
2.42
5.42
M5
2.30
2.49
2.42
4.43
M6
4.77
5.84
5.42
4.43
-
Tabla 6.7: Porcentaje de no coincidencia en la UGMP entre los distintos modelos, M6 corresponde al modelo geologico tradicional interpretado.
113
6.3.
Medidas de incertidumbre local
En esta seccion se procede a comparar medidas de variabilidad nodo a nodo a traves de las
realizaciones para cada modelo.
6.3.1.
Ley de cobre total
La figura 6.8 muestra la varianza condicional de las leyes de cobre para cada modelo. Todos
los modelos presentan ciertas caractersticas esperadas para las simulaciones condicionales:
Mayor variabilidad en zonas de altas leyes (efecto proporcional).
Menor variabilidad en las cercanas de los datos condicionantes.
Visualmente es posible apreciar que los modelos cosimulados (M2, M3 y M4) y el modelo sin
control geologico (M1), poseen varianzas condicionales similares entre s, diferenciandose de
los modelos con control geologico probabilstico y determinstico.
Los u
ltimos presentan valores mas altos de varianza condicional que los modelos M1, M2,
M3 y M4. El factor dominante para este resultado es el uso de una menor cantidad de datos
condicionantes para las simulaciones independientes (M5 y M6) con respecto a los casos
cosimulados y sin control geologico, en los cuales se utilizan todas las muestras de ley de
cobre disponibles.
Al analizar en mayor detalle los modelos cosimulados con respecto al modelo sin control
geologico es posible apreciar una disminucion en la varianza condicional en los modelos cosimulados. Lo anterior es visualmente detectable en la region [24650-24750E x 25050-25150N].
Este hecho demuestra que la cosimulacion de las leyes de cobre utilizando la informacion
geologica genera realizaciones de ley de cobre menos variables (M1 vs. M2), es decir, existe
menos incertidumbre dada la incorporacion de los datos de UG como covariable.
Es posible notar que al incorporar muestras adicionales de informacion geologica disminuye
la variabilidad de las leyes de cobre en los modelos cosimulados heterotopicos (M3 y M4),
lo anterior queda demostrado en las estadsticas basicas de varianza condicional presentadas
en la tabla 6.8, para fijar ideas el modelo M4 presenta una diferencia de un -29.5 % en la
varianza condiconal esperada con respecto al modelo M5.
114
Varianza Condicional M1
1.5
1.5
1.4
25550.
1.4
25550.
1.3
1.3
1.2
1.2
1.1
25450.
1.1
25450.
0.7
0.6
Norte [m]
0.8
25350.
1.0
0.9
0.8
25350.
0.7
0.6
0.5
25250.
0.5
25250.
0.4
0.4
0.3
0.3
0.2
0.2
0.1
25150.
0.1
25150.
0.0
0.0
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Este [m]
1.5
1.5
1.4
25550.
1.4
25550.
1.3
1.3
1.2
1.2
1.1
25450.
1.1
25450.
0.7
0.6
Norte [m]
0.8
25350.
1.0
0.9
0.8
25350.
0.7
0.6
0.5
25250.
0.5
25250.
0.4
0.4
0.3
0.3
0.2
0.2
0.1
25150.
Varianza
0.9
Varianza
Norte [m]
1.0
0.1
25150.
0.0
0.0
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Este [m]
1.5
1.5
1.4
25550.
1.4
25550.
1.3
1.3
1.2
1.2
1.1
25450.
1.1
25450.
0.7
0.6
0.9
0.8
25350.
0.7
0.6
0.5
25250.
0.5
25250.
0.4
0.4
0.3
0.3
0.2
0.2
0.1
25150.
0.1
25150.
0.0
0.0
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Figura 6.8: Varianza condicional seg

un modelo.
115
Varianza
0.8
25350.
1.0
Varianza
0.9
Norte [m]
1.0
Norte [m]
Varianza
0.9
Varianza
Norte [m]
1.0
Modelo
M1
M2
M3
M4
M5
M6
Registros
230100
230100
230100
230100
230100
230100
Min
0.000
0.000
0.000
0.000
0.000
0.000
Max Media Dstd

4.231 0.236 0.433
4.005 0.208 0.375
4.050 0.206 0.372
4.008 0.198 0.368
4.509 0.281 0.377
4.501 0.264 0.380
Tabla 6.8: Estadisticas basicas de varianza condicional de la ley de cobre seg

un modelo.
Otra medida de incertidumbre local, que se desliga de la magnitud de los valores a comparar
es el coeficiente de variacion (CFV) que corresponde a la razon entre la desviacion estandar
y la media de una serie de datos.
La figura 6.9 presenta el coeficiente de variacion nodo a nodo para cada modelo y la tabla
6.9 sus estadsticas basicas asociadas. Se aprecia que los modelos M5 y M6 presentan valores
de CFV mucho mayores que los modelos cosimulados y sin control geologico (M1 a M4).
Para ilustrar estas diferencias el modelo cosimulado M4 presenta un coefficiente de variacion
esperado 17 % mas bajo que para el modelo de simulacion independiente M5.
Es notorio el cambio del CFV en el modelo con control geologico determinstico al pasar
de una unidad a otra. Se aprecia en general que, en las medidas de incertidumbre local,
el modelo geologico determinstico posee una expresion mas notoria que para los valores
esperados examinados en la seccion 6.2.
116
Coef. de Variacion M1
0.8
0.8
25550.
25550.
0.7
0.7
25450.
25450.
Norte [m]
0.5
25350.
0.4
0.4
25250.
25250.
0.3
0.3
25150.
25150.
0.2
0.2
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Este [m]
0.8
0.8
25550.
25550.
0.7
0.7
25450.
25450.
Norte [m]
0.5
25350.
0.4
CFV
0.5
25350.
0.6
CFV
Norte [m]
0.6
0.4
25250.
25250.
0.3
0.3
25150.
25150.
0.2
0.2
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Este [m]
0.8
0.8
25550.
25550.
0.7
0.7
25450.
25450.
0.5
25350.
0.4
0.4
25250.
25250.
0.3
0.3
25150.
25150.
0.2
0.2
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Figura 6.9: Coeficiente de variacion seg

un modelo.
117
CFV
CFV
0.5
25350.
0.6
Norte [m]
0.6
Norte [m]
CFV
0.5
25350.
0.6
CFV
Norte [m]
0.6
Modelo
M1
M2
M3
M4
M5
M6
Registros
230100
230100
230100
230100
230100
230100
Min
0.001
0.001
0.001
0.001
0.001
0.001
Max Media Dstd

1.176 0.405 0.085
0.978 0.389 0.083
1.052 0.389 0.081
1.084 0.387 0.078
1.556 0.467 0.130
1.091 0.446 0.117
Tabla 6.9: Estadsticas basicas para el coeficiente de variacion puntual seg

un modelo.
6.3.2.
Probabilidad de ser BXT
En el caso de un u
nico indicador, su varianza queda completamente caracterizada por su
valor esperado de acuerdo a la siguiente expresion:
V ar(1BxT (x)) = E(1BxT (x))(1 E(1BxT (x)))
(6.1)
0.300 Rel. Varianza Esperanza un indicador
Varianza del indicador
var-esp
0.200
0.100
0.000
0.00
0.20
0.40
0.60
0.80
1.00
Esperanza del indicador
Figura 6.10: Relacion entre esperanza y varianza en un u

nico indicador.
Esto se ilustra en la figura 6.10: la varianza condicional es cercana a cero para los valores
esperados cercanos a uno o cero alcanzando su valor maximo de 0.25 cuando la esperanza es
0.5, es decir con 50 % de probabilidad de ser BXT o no.
118
La figura 6.11 presenta la varianza condicional de la ocurrencia de BXT. En todos los modelos
se aprecia que la mayor incertidumbre se encuentra en la zona de bordes de las unidades.
Esta zona de incertidumbre es mas amplia en el modelo simulado independiente que en el
caso de cosimulacion homotopica (M5 vs. M2).
Tambien se observa que los valores cosimulados presentan valores menores que el caso independiente (M5). Los modelos cosimulados con incorporacion de informacion geologica adicional muestran valores a
un mas bajos al ser datos condicionantes directos.
0.25
0.25
25550.
25550.
0.20
0.20
0.10
25250.
0.15
25350.
0.10
25250.
0.05
0.05
25150.
25150.
0.00
0.00
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Este [m]
0.25
0.25
25550.
25550.
0.20
0.20
25450.
25250.
0.15
25350.
0.10
Varianza
0.10
Varianza
0.15
25350.
Norte [m]
25450.
Norte [m]
Varianza
0.15
25350.
Norte [m]
25450.
Varianza
Norte [m]
25450.
25250.
0.05
0.05
25150.
25150.
0.00
0.00
Este [m]
24750.
24650.
24550.
24450.
24750.
24650.
24550.
25050.
24450.
25050.
Este [m]
Figura 6.11: Varianza condicional del indicador de BXT seg

un modelo.
119
6.4.
Curvas tonelaje-ley
En la seccion de valores esperados se expusieron las curvas tonelaje-ley para el promedio de

las realizaciones por modelo. En esta seccion a partir de las curvas tonelaje-ley por realizaci
on,
se obtienen los intervalos de probabilidad por ley de corte y curvas tonelaje-ley esperadas
seg
un modelo.
La figura 6.12 presenta los intervalos de confianza para las curvas tonelaje-ley de los modelos
M4 y M5 a modo de ejemplificar el resultado del procedimiento.
Figura 6.12: Curvas tonelaje-ley modelos M4 y M5. Curvas decrecientes: tonelaje-ley de corte,
curvas crecientes: ley media-ley de corte, el tonelaje total se estandariza a 1.
La figura 6.13 muestra las curvas tonelaje-ley esperadas de cada modelo. Se observa que
las diferencias son menores entre las curvas. Tambien es posible apreciar que los modelos
cosimulados (M2 a M4) y sin control geologico (M1) presentan algo menos de tonelaje que
los modelos M5 y M6, por otro lado estos mismos aparecen con leyes algo mayores para leyes
de corte mayores a 1.5 %.
Un aspecto mas interesante de observar son los intervalos de probabilidad para cada ley de
corte. La figura 6.14 presenta el ancho del intervalo de probabilidad de un 80 %, es decir, la
diferencia entre los percentiles 90 y 10 por cada ley de corte correspondiente a la banda verde
en la figura 6.12.
120
M1
M2
M3
0.80
4.00
3.00
0.60
2.00
0.40
1.00
0.20
0.00
Ton sobre umbral de corte
Ley media sobre umbral de corte
5.00 Curva tonelaje ley esperada por umbral de corte
M4
M5
M6
0.00
0.00
1.00
2.00
3.00
Ley de corte
Figura 6.13: Curva tonelaje-ley esperada seg

un modelo.
Variabilidad Leyes de cobre segun cutoff
0.500
M1
M2
M3
0.300
0.200
0.100
M4
M5
M6
4.00
3.00
2.00
1.00
0.000
0.00
M1
M2
M3
5.00
P90-P10 Tonelajes
M4
M5
M6
0.400
P90-P10 leyes
6.00 Variabilidad Tonelajes segun cutoff
0.00
1.00
2.00
3.00
0.00
Ley de corte
1.00
2.00
3.00
Ley de corte
Figura 6.14: Variabilidad en curvas tonelaje-ley para un intervalo de confianza de un 80 %.

Con respecto a la variabilidad en leyes, se observa que para leyes de corte menores que 1.0 %
los modelos cosimulados (M2 a M4) y el modelo geologico determinstico (M6) presentan
menor variabilidad que los modelos con control geologico probabilstico independiente (M5)
y sin control geologico (M1).
Para el rango de leyes de corte entre 1.0 % y 2.2 % los modelos M5 y M6 presentan una
menor variabilidad en leyes que los modelos cosimulados. El modelo M1 sin control geologico
presenta una variabilidad mayor que el resto de los modelos.
Para los tonelajes los modelos cosimulados (M2 a M4) y el modelo sin control geologico (M1)
121
muestran un comportamiento similar en terminos de forma en la variabilidad de los tonelajes

seg
un umbral de corte. Los modelos con control geologico probabilstico independiente (M5)
y control geologico determinstico (M6) se aprecian similares.
El comportamiento de ambos grupos difiere en las leyes de corte en los cuales se presentan
las maximas variabilidades en tonelaje; para los modelos M1 a M4 se observa un alza entre
0.4 % y 0.8 %. Los modelos M5 y M6 presentan un alza en el rango 0.8 % a 1.5 %.
Ambos comportamientos estan relacionados al uso de todas las muestras para simular las
leyes en los modelos M1 a M4, a diferencia del uso de las muestras seg
un unidad geologica en
los modelos M5 y M6. Por ejemplo, para una ley de corte de un 1.0 % operan las variabilidades
provenientes, en su mayora, de la distribucion de leyes de la unidad BXT.
Es posible apreciar que para leyes de corte bajo 0.4 % las diferencias son menores entre los
modelos. Para umbrales de corte superiores a un 1.0 % los modelos M5 y M6 presentan una
variabilidad mayor en tonelajes que los modelos M1 a M4. Para leyes de corte superiores a
un 1.5 % la variabilidad en tonelajes de los modelos M5 y M6 puede llegar a ser de un 4 % y
de un 2 % para el modelo cosimulado homotopico M4.
La incorporacion de muestras adicionales genera mayor variabilidad en los tonelajes para
umbrales entre 0.4 % a 1.0 %. Para umbrales superiores a un 1.5 % pareciera que la incorporacion de un 30 % de informacion geologica principalmente de NoBXT, restringe la extension
espacial de las altas leyes asociadas a BXT generando una disminucion importante de la
variabilidad en tonelaje.
6.5.
6.5.1.
Derivas
Ley de cobre total
Una manera de analizar la variabilidad espacial en las leyes de cada modelo, es el uso de
derivas o perfiles de leyes agrupadas por coordenadas. En este caso, se calculan perfiles
de leyes para cada realizacion. Con estos valores es posible establecer el valor esperado e
intervalos de probabilidad por coordenadas seg
un modelo.
La figura 6.15 presenta los graficos de deriva en la direccion EO para los modelos M4 y M5
para ejemplificar el procedimiento utilizado. Es importante aclarar que los intervalos son
obtenidos de las realizaciones y no de los valores promediados en la direccion ortogonal.
Las coordenadas en los graficos corresponden al ndice de los nodos de la grilla de simulacion.
122
Figura 6.15: Derivas Ley de cobre EO para modelos M4 y M5.
En la figura 6.16 se presentan los valores esperados por coordenadas EO y NS de los distintos
modelos. Es notable la similitud de los modelos M5 y M6 seg
un coordenada Este. Los modelos
cosimulados y sin control geologico presentan un comportamiento similar donde destaca el
hecho de tener valores mas bajos en los sectores mas perifericos en la direccion EO. Por el
contrario, en el sector central los modelos M1 a M4 poseen valores superiores que los modelos
M5 y M6.
La incorporacion de muestras adicionales pertenecientes principalmente a la unidad NoBXT,
se ve reflejada en las menores leyes de cobre en los sectores donde fueron agregadas. En el
caso de los perfiles NS los modelos se aprecian mas similares que en el caso EO.
2.00 Perfil de leyes Esperadas EW
2.00 Perfil de leyes Esperadas NS

M1
M2
M3
1.50
M4
M5
M6
% Ley cut
% Ley cut
1.50
M1
M2
M3
1.00
0.50
M4
M5
M6
1.00
0.50
0.00
0.00
0.
100.
200.
300.
0.
Este
100.
200.
300.
400.
500.
Norte
Figura 6.16: Derivas esperadas para leyes de cobre en direcciones EO y NS.
123
Del mismo modo que en las curvas tonelaje-ley es posible calcular la variabilidad por coordenadas. La figura 6.17 presenta el ancho del intervalo de confianza del 80 % para las leyes a
partir de las realizaciones por coordenadas.
0.500 Variabilidad en leyes EW
0.600 Variabilidad en leyes NS

M1
M2
M3
M4
M5
M6
0.300
0.200
% Ley cut P90-P10
% Ley cut P90-P10
0.400
M1
M2
M3
0.500
0.100
M4
M5
M6
0.400
0.300
0.200
0.100
0.000
0.000
0.
100.
200.
300.
0.
Este
100.
200.
300.
400.
500.
Norte
Figura 6.17: Variabilidad en derivas para un intervalo de confianza de 80 % seg

un modelo.
Se observa que los modelos con control geologico probabilstico (M5) y el modelo con control geologico determinstico (M6), presentan en general mayor variabilidad que los modelos
restantes. En la direccion EO se aprecia un alza en la variabilidad del modelo sin control
geologico (M1) siendo superior a los modelos restantes.
Con respecto a los modelos cosimulados, generalmente se observa que la incorporacion de
muestras adicionales disminuye la variabilidad espacial en los perfiles de leyes EO. En el caso
NS: ocurre lo contrario muchas veces se observa que el modelo M2 (homotopico) posee menor
variabilidad que el modelo cosimulado con muestras de geologa adicional (M4).
6.5.2.
Proporci
on BXT
Al igual que en el caso de las derivas de leyes de cobre, se calcularon para cada uno de los
modelos, que involucran la generacion de realizaciones de unidad geologica, las proporciones
de BXT seg
un coordenadas.
La figura 6.18 presenta la proporcion esperada seg
un modelos por coordenadas EO y NS. Se
aprecia que en la direccion EO el modelo geologico determinstico presenta mayor proporcion
de BXT, principalmente en el sector central donde casi no se deja posibilidad de ocurrencia
de NoBXT.
En la direccion NS los modelos cosimulados con incorporacion de muestras adicionales presentan una menor proporcion de BXT que el resto de los modelos, hecho consistente con la
124
incorporacion de muestras adicionales principalmente de NoBXT.

La figura 6.19 muestra que la variabilidad en las proporciones de BXT es menor para el
modelo cosimulado (M2) que para el modelo simulado independiente (M5). El uso de muestras
adicionales en los modelos M3 y M4 implica una disminucion directa en la variabilidad de
las proporciones de BXT por coordenadas.
1.10 Perfil de Prop. BXT esperada EW
1.00 Perfil de Prop. BXT esperada NS

M2
M3
M4
M2
M3
M4
0.80
M5
M6
Prop. BXT
Prop. BXT
0.70
M5
M6
0.60
0.40
0.30
0.20
-0.10
0.00
0.
100.
200.
300.
0.
100.
200.
East
300.
400.
500.
600.
700.
Norte
Figura 6.18: Derivas esperadas proporcion BXT en direcciones EO y NS.
0.400 Variabilidad prop. BXT EW
0.500 Variabilidad en Prop. BXT NS

M2
M3
M4
0.400
M5
M6
M5
M6
Prop. BXT P90-P10
Prop. BXT P90-P10
0.300
M2
M3
M4
0.200
0.300
0.200
0.100
0.100
0.000
0.000
0.
100.
200.
300.
0.
East
100.
200.
300.
400.
500.
600.
700.
Norte
Figura 6.19: Variabilidad en las derivas de la proporcion de BXT (ancho de los intervalos de
80 % de confianza).
125
6.6.
6.6.1.
Fronteras
Correlaci
on cruzada por realizaci
on
Con objeto de resumir las caractersticas de transiciones de leyes que presentan las realizaciones asociadas a cada modelo, se procedio a calcular la correlacion cruzada a cierta distancia
entre los valores simulados de ley cobre total entre las unidades simuladas BXT y NoBXT.
De manera similar a un mapa variografico se calcula la siguiente medida por cada realizacion:
(h)is =
is
is
is
is
X (Zbxt
)
(x + h) Znobxt
) (Znobxt
(x) Zbxt
1
is
is
N is (h) N is (h)
bxt nobxt
(6.2)
is
is
is
(x + h) corresponden a los valores simulados de ley de cobre, Zbxt
(x) y Znobxt
Donde Zbxt
is
is
is
y Znobxt
son el valor medio de las leyes, bxt
y nobxt
las desviaciones tpicas de los valores
asociada a cada realizacion is, cuando la ley fue simulada o modelada como BXT y NoBXT
respectivamente.
A partir de los valores de esta medida por realizacion se obtienen los valores esperados
por modelo, los cuales son presentados en la figura 6.20, donde la abscisa corresponde a la
distancia en metros en la direccion EW y la ordenada a la distancia en metros en la direccion
NS.
Figura 6.20: Correlacion cruzada esperada entre leyes simuladas BXT y NoBXT.
En el caso del modelo sin control geologico, fue asignado el modelo geologico determinstico
a los nodos de realizaciones de cobre, con objeto de obtener una medida de la correlacion
126
entre leyes de distinta unidad, pese a que el modelo M1 no considera la geologa de ning
un
modo.
Se aprecia que el modelo sin control geologico es quien posee una correlacion mayor entre las
leyes simuladas de ambas unidades, a su vez se presenta mas isotropa que para el resto de los
modelos. Esto se debe a que el modelo M1 no considera las unidades geologicas en ning
un
aspecto.
Los modelos cosimulados presentan un nivel de correlacion similar entre s, menor que el
modelo sin control geologico, ademas de mostrar una mayor correlacion entre los valores
simulados de BXT y NoBxt en la direccion N45 O. La incorporacion de datos adicionales de
geologa conlleva una disminucion de la correlacion entre las leyes de ambas unidades, debido
principalmente que al incorporar muestras de NoBXT las realizaciones de leyes de cobres son
influenciadas a tener menores valores, quedando las leyes mejor definidas, entre una unidad
y otra.
En los modelos M5 y M6 las transiciones abruptas entre las realizaciones de leyes de BXT y
NoBXT se traducen en una muy baja correlacion en todas direcciones.
Basado en los contactos gradacionales calculados en el analisis exploratorio, los modelos
cosimulados se presentan mas adecuados en relacion a esta caracterstica en los datos.
6.6.2.
Correlaci
on cruzada de los valores esperados
En este caso se calculo la misma medida anterior, pero sobre los valores de leyes esperados de
cada modelo, considerando a que UG pertenece cada nodo a partir del modelo de la unidad
geologica mas probable (UGMP). La figura 6.21 presenta los resultados en este caso.
Se aprecia que la correlacion es mucho mayor que para todos los modelos que cuando fue
calculada por realizaciones, lo cual se explica por el efecto regularizador asociado a la operacion de promedio. Se aprecia que la correlacion del valor esperado entre el modelo simulado
independiente (M5) y los modelos cosimulados (M2 a M4) es similar.
127
Figura 6.21: Correlacion cruzada de los valores esperados entre leyes BXT y NoBXT.
128
Captulo 7
Validaci
on de modelos
El objetivo de las simulaciones geoestadsticas es generar una serie de escenarios (realizaciones) asimilables a la realidad. Luego se procede a enfocar la validacion bajo el prisma de
cuan cercanas son las realizaciones de cada modelo a los datos de validacion.
Comparar los valores promedios de los distintos modelos con respecto a los datos de validacion, corresponde a considerar los modelos como estimaciones de la realidad. Estas comparaciones pierden informacion importante del desempe
no de las simulaciones como modelos de
incertidumbre o con objeto de analisis de riesgo.
7.1.
Datos y modelo de validaci

on
Para validar los modelos se cuenta con una base de datos de pozos de tronadura con 20893
registros de ley de CuT, de los cuales se seleccionaron 2048 datos relativos al banco en el
cual se aplicaron los modelos.
Se procedio a generar un modelo de bloques en base a pozos de tronadura con dimensiones
especificadas en la tabla 7.1. El objetivo de generar un modelo de bloques de validacion es
evaluar el desempe
no lo mas homologable posible a un modelo de corto plazo.
# Bloques
NX
78
NY 118
NZ
1
Dimensiones Coordenadas origen

DX
5m
XMIN
24448.5 m
DY
5m
YMIN
25048.5 m
DZ
12 m
ZMIN
3945 m
Tabla 7.1: Especificaciones grilla de validacion.

La resolucion de la grilla fue escogida en terminos del espaciamiento de los pozos de tiros y
la altura de banco.
129
El modelo de validacion fue calculado por medio de kriging ordinario de bloques, utilizando
un variograma omnihorizontal mostrado en la figura 7.1 y especificado en la tabla 7.2.
Los parametros de estimacion del modelo de validacion a partir de los pozos se presenta en la
tabla 7.3. Los parametros fueron escogidos de modo que los valores estimados se encuentren
bajo una condicion de interpolacion y la estimacion no sea muy suavizada.
0.800 Modelo Cut Pozos
Omni-Horiz
0.700
0.600
Gamma
0.500
0.400
0.300
0.200
0.100
0.000
0.
50.
100.
150.
200.
250.
Distancia (m)
Figura 7.1: Modelo variografico de ley de CuT de pozos.
Tipo
Alcance (m) Contribuci
on
estructura Horizontal
pepa
0
0.02
esferico
21
0.09
esferico
82
0.32
esferico
100
0.1
Tabla 7.2: Modelo variografico de ley de CuT pozos de tronadura.
Distancia de b
usqueda horizontal (m)
# mnimo de muestras
# de sectores
# muestras optimas por sector
18
2
4
1
Tabla 7.3: Parametros de estimacion modelo de validacion.

El modelo resultante y pozos de tronadura utilizados se presentan en la figura 7.2, en la cual
se aprecia la correcta representacion de las leyes de pozos en el modelo de validacion.
130
Modelo de validacion y datos

3.2
25546.
25446.
CUT
Norte [m]
2.2
25346.
1.2
25246.
25146.
0.2
24746.
24646.
24546.
24446.
25046.
Este [m]
Figura 7.2: Modelo de validacion utilizando pozos de tronadura.
Con objeto de hacer posible la comparacion de las realizaciones puntuales de los distintos
modelos, se procedio a regularizar (rebloquear) cada realizacion a la misma resolucion que el
modelo de validacion.
7.2.
7.2.1.
Validaci
on
Alcances de la validaci
on
Si bien la ley registrada en los pozos es reflejo de las caractersticas geologicas como litologa,
esta no se encuentra registrada en los datos de validacion. Luego no sera posible establecer
las siguientes validaciones:
Evaluar la predictibilidad geologica de los modelos (acierto global y local en UG).
131
Evaluar el desempe
no en leyes en los casos que los modelos acierten o no a la unidad
geologica de los datos de validacion.
Es importante notar que el hecho anterior no invalida las comparaciones en leyes que se
presentan a continuacion y entender que un mejor desempe
no en leyes implcitamente significa
un mejor desempe
no en la predictibilidad geologica.
7.2.2.
Distribuci
on de errores por realizaci
on
Por cada realizacion se calculo el error porcentual promedio (EPM) expresado como sigue:
EP M (k) =
n
[S k (i) R(i)]
1X
100
n i=1
R(i)
(7.1)
Donde S k (i) es el valor simulado en el bloque i para la realizacion k, R(i) el valor del modelo
de pozos en el mismo bloque y n el n
umero de bloques donde existen ambos modelos.
De este modo cada realizacion tiene asociado un error promedio con respecto al modelo de
pozos. La figura 7.3 presenta la distribucion de este error en las realizaciones para cada uno
de los modelos planteados y la tabla 7.4 sus estadsticas asociadas.
99.99
Error porcentual promedio por realizacion
Cumulative Probability
99.9
99.8
M1
M2
M3
99
98
95
90
M4
M5
M6
80
70
60
50
40
30
20
10
5
2
1
0.2
0.1
0.01
-12.
-10.
-8.0
-6.0
-4.0
-2.000
0.
2.000
4.0
6.0
8.0
EPM
Figura 7.3: Error porcentual promedio por realizacion seg

un modelo.
132
Modelo
M1
M2
M3
M4
M5
M6
Registros
Min
Max Media
100
-10.945 4.420 -2.481
100
-6.948 2.700 -1.501
100
-9.338 5.616 -1.091
100
-4.747 6.534 0.047
100
-11.035 3.419 -3.329
100
-9.230 3.233 -2.577
Dstd
2.920
2.155
2.682
2.085
3.270
3.036
Tabla 7.4: Estadsticas basicas para el error porcentual promedio por realizacion.
Los resultados muestran un buen desempe

no de los modelos cosimulados (M2 a M4) con
respecto a los restantes. Se aprecia que la incorporacion de muestras adicionales de informacion geologica (M3 y M4) permite generar realizaciones mas cercanas a la realidad (las
distribuciones se acercan a valores en torno a 0).
Si consideramos un valor de error entre un -2 % y 2 %, el 65 % de las realizaciones del modelo
cosimulado M4 pertenecen a el, mientras que un 30 % en el caso del modelo con control
geologico determinstico (M6) e incluso menos en el caso del modelo M5.
La situacion se ve reflejada en las estadsticas basicas donde el valor medio EPM es mas
alto para los modelos independientes (M5 y M6) y sin control geologico (M1) que para los
modelos cosimulados. En efecto, el valor medio es dos ordenes de magnitud mas bajo para el
modelo cosimulado M4.
7.2.3.
Distribuci
on de correlaci
on por realizaci
on
Por cada realizacion, se calculo el coeficiente de correlacion con el modelo de pozos, obteniendose una distribucion de la correlacion seg
un modelo. La figura 7.4 presenta las distribuciones y la tabla 7.5 las estadsticas asociadas.
133
99.99
Correlacion por realizacion
Cumulative Probability
99.9
99.8
M1
M2
M3
99
98
95
90
M4
M5
M6
80
70
60
50
40
30
20
10
5
2
1
0.2
0.1
0.01
0.500
0.550
0.600
0.650
0.700
0.750
0.800
0.850
correlacion
Figura 7.4: Distribucion de correlacion entre modelo de pozos y cada realizacion seg
un modelo.
Modelo
M1
M2
M3
M4
M5
M6
Registros
100
100
100
100
100
100
Min
0.567
0.645
0.607
0.641
0.567
0.544
Max Media Dstd

0.739 0.675 0.036
0.763 0.712 0.023
0.760 0.711 0.024
0.765 0.718 0.022
0.694 0.632 0.030
0.709 0.649 0.029
Tabla 7.5: Estadsticas basicas de correlaciones por realizacion seg

un modelo.
Se observa que los modelos cosimulados (M2 a M4) presentan una distribucion de correlaciones similares entre s, mayores que para los modelos restantes.
Por ejemplo, el 80 % de las realizaciones del modelo cosimulado M4 tienen correlaciones mayores que 0.7, mientras que para el modelo sin control geologico M1 un 25 % de las realizaciones
superan ese valor. El desempe
no es menor para los modelos restantes: el modelo con control
geologico determinstico M6 presenta un 5 % de las realizaciones con una correlacion superior
a 0.7 y el modelo con control geologico probabilstico independiente M5 no presenta valores
de correlacion mayores a un 0.7.
Otro aspecto interesante a destacar es el hecho que las distribuciones de correlacion son
menos variables para los modelos cosimulados.
Llama la atencion que el modelo sin control geologico, presenta correlaciones superiores realizacion a realizacion, con respecto a los modelos simulados de forma independientes. Esto
134
puede ser causado producto de que el costo de errar en la UG es mayor que al utilizar todos los
datos al mismo tiempo, sobre todo en un yacimiento diseminado con transiciones graduales.
7.2.4.
Acierto en destino
La figura 7.5 presenta el grafico de dispersion entre el promedio de las realizaciones y el modelo
de validacion de pozos. De las figuras se extraen medidas como la correlacion, regresion lineal
y porcentaje de acierto en destino para una ley de corte de 1.0 % de cobre (tabla 7.6).
El porcentaje de acierto en destino, corresponde al n
umero de bloques bien clasificados entre
planta y botadero con respecto al total de bloques. En el grafico 7.5 se identifica como la
suma de los bloques en color rojo y azul con respecto al total.
Figura 7.5: Grafico de dispersion entre el promedio de las realizaciones (abscisa) vs. leyes de
modelo de pozos (ordenada).
135
Correlaci
on
Correlaci
on de rango
Pendiente
Intercepto
% de acierto
M1
M2
M3
M4
M5
M6
0.786 0.819 0.817 0.823 0.812 0.806
0.763 0.794 0.788 0.797 0.781 0.772
0.833 0.889 0.891 0.904 1.050 1.009
0.237 0.177 0.180 0.174 0.007 0.056
79.500 80.100 79.600 79.900 80.000 80.100
Tabla 7.6: Estadsticas grafico dispersion valor esperado vs. modelo de pozos.
Las diferencias en los valores calculados son marginales entre los modelos. Sin embargo se
pueden identificar los siguientes aspectos:
Los modelos cosimulados (M2 a M4) presentan valores levemente superiores en terminos
de correlacion y correlacion de rango (coeficiente de correlacion de Spearman).
Los modelos M4 a M6 presentan las pendientes mas cercanas a 1.0 que el resto de los
modelos.
Con respecto al acierto en destino los valores son muy similares entre los modelos,
obteniendo los mejores resultados los modelos M2, M5 y M6.
Visualmente el nivel de dispersion de los graficos es muy similar.
7.2.4.1.
Acierto por realizaciones
Para cada realizacion se calculo el acierto en destino con respecto al modelo de validacion
para distintas leyes de corte. A partir de los distintos porcentajes de aciertos por ley de corte,
es posible establecer intervalos de confianza y el valor esperado para cada modelo. La figura
7.6 ilustra el resultado del procedimiento.
136
100.0
% acierto en destino M2
100.0
95.0
100.0
95.0 P1-P99
% acierto en destino M4
100.0
95.0
95.0 P1-P99
90.0
90.0
85.0
85.0
80.0
80.0
75.0
70.0
0.00
0.50
1.00
1.50
2.00
P10-P90
P25-P75
90.0
90.0
85.0
85.0
80.0
80.0
75.0
75.0
75.0
70.0
70.0
% destino acertado
% destino acertado
P10-P90
P25-P75
2.50
0.00
Ley de corte
70.0
0.50
1.00
1.50
2.00
2.50
Ley de corte
Figura 7.6: Acierto en destino de realizaciones para modelos M2 y M4.
En la figura 7.7 se observa que los modelos cosimulados (M2 a M4) presentan un acierto en
destino esperado superior a los modelos con control geologico determinstico (M6) y control
probabilstico independiente (M5). Una caracterstica com
un a todos los modelos, es la disminucion de la predictibilidad en el intervalo de umbrales de corte entre 0.8 % y un 1.25 %
de CuT. Es en este intervalo donde mas notoria es la mejora de los modelos cosimulados.
Para leyes de corte menores a 0.5 % las diferencias son menores entre los modelos, mientras
que para umbrales mayores a 0.5 % los modelos cosimulados siempre presentan una mejora
con respecto a los modelos restantes.
137
100.0 % acierto promedio

M1
M2
M3
M4
M5
M6
% de acierto
90.0
80.0
70.0
0.00
0.50
1.00
1.50
2.00
2.50
Cutoff Grade
Figura 7.7: Porcentaje de acierto en destino esperado seg

un modelo.
Con objeto de ilustrar la variabilidad en el porcentaje de acierto seg

un ley de corte, la figura
7.8 presenta el ancho del intervalo de probabilidad del 80 % seg
un modelo. Se observa que para
leyes de corte menor a un 0.6 % los modelos M5 y M6 presentan algo menos de variabilidad
que los modelos restantes. La situacion opuesta y con mayor intensidad ocurre para leyes de
corte mayores a un 1.0 % de CuT.
Una caracterstica global presente en los modelos, es la mayor variabilidad cercana a una ley
de corte de 1.0 %. La excepcion corresponde al modelo con control geologico probabilstico
independiente que presenta dos alzas significativas en torno a 0.65 % y a 1.5 %.
138
6.00 Variabilidad en acierto por ley de corte

M1
M2
M3
Variab. acierto P90-P10
5.00
M4
M5
M6
4.00
3.00
2.00
1.00
0.00
0.00
0.50
1.00
1.50
2.00
2.50
Ley de corte
Figura 7.8: Variabilidad en porcentaje de acierto seg

un ley de corte.
7.2.5.
Exactitud y precisi
on de los modelos
Una manera de validar un modelo de incertidumbre es evaluar la exactitud y la precision.

En un contexto estadstico, un modelo es considerado preciso si dado un intervalo simetrico
de probabilidad p, la fraccion de valores verdaderos pertenecientes a dicho intervalo f (p) es
mayor o igual a p. Cuan mas cercanos sea f (p) a p el modelo es considerado mas exacto
(Deutsch, 1997).
Para resumir estas medidas, es posible calcular f (p) de los valores reales dado los p provenientes de los modelos de simulaciones. En terminos practicos, dado un intervalo de probabilidad
p en las distribuciones locales (en cada nodo), se contabiliza en cuantos nodos el valor verdadero pertenece al intervalo de probabilidad p.
139
Prop. del valor verdadero en el interv.
1.00 Grafico de precision-exactitud
M1
M2
0.80
M3
M4
M5
0.60
M6
0.40
0.20
0.00
0.00
0.20
0.40
0.60
0.80
1.00
Interv. de prob. de las dist. locales
Figura 7.9: Intervalos de probabilidad del modelo vs. frecuencia efectiva en los valores reales.
La figura 7.9 presenta p vs. f (p) para los distintos modelos simulados de ley de CuT. En
terminos generales los modelos cosimulados (M2, M3 y M4) se encuentran mas cercanos a la
diagonal que los modelos restantes, mostrando un mejor desempe
no de estos como modelo
de incertidumbre.
Para p mayores que 0.8, la fraccion de valores verdaderos es levemente menor al intervalo de
probabilidad asociado, lo cual implica que las distribuciones locales son menos dispersas (angostas) que lo esperado. Esto puede ser debido a la disminucion de incertidumbre proveniente
de la cosimulacion e incorporacion de muestras adicionales de geologa.
7.2.6.
Derivas
Una forma mas espacial de evaluar el desempe

no de los modelos es analizar los perfiles de
leyes seg
un coordenadas para los modelos desarrollados y pozos de tronadura.
Como se aprecia en la figura 7.10 en la direccion EO, todos los modelos fallan en predecir
una zona de alta ley en el sector Este del deposito, sin embargo los modelos cosimulados se
desempe
nan levemente mejor que los otros modelos. En especial el modelo cosimulado M4
captura mejor las leyes altas y bajas que presentan los pozos de tronadura.
En la direccion NS los modelos fallan en la prediccion de leyes altas en el sector sur-intermedio
140
del deposito. En este caso el modelo cosimulado M4 logra capturar una alza en leyes en el
sector Sur del deposito.
Es importante notar que las zonas de fallas entre los distintos modelos de simulacion y el
modelo de validacion pueden ser causadas por un efecto de informacion, es decir los datos
en sondajes no logran capturar las alzas de las leyes de los pozos. Por otro lado, estas fallas
pueden ser una indicacion que la litologa no es el u
nico control presente en el deposito. En tal
caso, es recomendable investigar esta situacion en b
usqueda de un potencial control geologico
adicional.
2.00 Derivas de leyes modelos y pozos EW
2.00 Derivas de leyes modelos y pozos NS

M1
M2
M3
1.50
M1
M2
M3
1.50
M4
M5
M6
M4
M5
M6
pozos
% Ley cut
% Ley cut
Pozos
1.00
0.50
1.00
0.50
0.00
0.00
0.0
10.0
20.0
30.0
40.0
50.0
60.0
70.0
0.
Este
20.
40.
60.
80.
100.
Norte
Figura 7.10: Derivas de ley de CuT seg

un modelo y pozos de tronadura.
141
Captulo 8
Discusi
on
8.1.
8.1.1.
Aspectos distintivos de los modelos

Modelo cosimulado SGS-SIS
El modelo cosimulado utilizando SGS-SIS falla en su implementacion producto de la combinacion directa de simulaciones en el marco multigaussiano (SGS) con enfoques no parametricos
como la simulacion de indicadores (SIS).
Esto genera inconsistencias en las realizaciones debido al caracter discreto de la simulacion
de indicadores, que no esta adaptado al continuo de la simulacion gaussiana junto a los pesos
de signo negativos/positivos en la resolucion del sistema cokriging.
Este problema es considerado en el planteamiento del segundo modelo de cosimulacion (M2),
el cual utiliza cosimulacion en el marco multigaussiano al relacionar las gaussianas asociadas
a la ley de cobre y la relativa a los indicadores de metodo de gaussiana truncada. De este
modo, el problema continuo-discreto es transformado en uno continuo-continuo.
8.1.2.
Modelo con control geol

ogico determinstico
El modelo con control geologico determinstico posee algunos aspectos discutibles al asumir
independencia en las leyes de las distintas unidades geologicas:
La decision de combinacion de las realizaciones de leyes entre unidades es arbitraria,
cualquier realizacion i de cierta unidad puede combinarse con cualquier realizacion j
de otra unidad pues son independientes. La practica habitual consiste en asociarlas de
modo consecutivo, pero debido a la independencia, lo adecuado sera generar todos los
posibles escenarios combinados.
142
Al asumir el modelo geologico fijo, no se considera la incertidumbre relativa a las unidades geologicas. Este enfoque solo entrega una vision parcial de la incertidumbre en
leyes y tonelajes del deposito. Mas a
un, la ubicacion y proporciones de las unidades
geologicas son consideradas conocidas a partir del modelamiento geologico tradicional,
el cual puede estar sesgado debido al caracter subjetivo del mismo. Esto tiene como
implicancia directa la generacion de fronteras duras inamoviles.
En relacion a la incertidumbre es usual que cuando las leyes de cierta unidad se encuentran
muy por encima o muy debajo de la ley de corte de la operacion, es mas gravitante establecer
la incertidumbre en los tonelajes asociados a los vol
umenes y ubicacion de las unidades
geologicas, que la incertidumbre asociada a las leyes.
8.1.3.
Modelo de simulaci
on independiente UG y leyes
El modelo de simulacion probabilstica independiente presenta el mismo problema de la

combinacion de realizaciones que el modelo anterior. En este caso, al asumir independencia
entre leyes y UG, aparte de decidir cuales realizaciones de leyes asociar (i,j), se debe escoger
cual realizacion de UG seleccionar (k).
Si bien este enfoque intenta capturar la incertidumbre combinada de geologa y leyes, no
considera del todo la interrelacion de geologa y leyes.
Debido a la simulacion independiente entre las leyes y UG, este enfoque genera transiciones
abruptas de leyes al pasar de cierta unidad geologica a otra, pese a que la ubicacion de las
fronteras vara de una realizacion a otra. Este aspecto es deseable cuando las leyes entre
unidades cambian abruptamente y no existe correlacion alguna entre las leyes de ambas
unidades. Pese a que los cambios abruptos sean representados en las realizaciones, la magnitud
del cambio no es controlado directamente por el modelo.
8.1.4.
Modelo cosimulado GT
El modelo de cosimulacion por GT planteado en este estudio, si bien es teoricamente correcto,

posee una hipotesis muy fuerte correspondiente a asumir que una u
nica variable asociada a
leyes junto al modelo variografico son capaces de caracterizar las distribuciones de ley de cobre
de cada unidad. Esta hipotesis se ve debilitada cuando las unidades presentan direcciones de
anisotropa distintas y corresponde a una limitacion del enfoque.
El modelo variografico utilizado, solo relaciona la ley de cobre de todas las muestras con los
indicadores de cada unidad. Esta informacion no considera directamente la relacion entre las
leyes de unidades. Pese a ello, esta aproximacion genera transiciones graduales en leyes, las
cuales no se encuentran directamente controladas.
Un aspecto positivo de este enfoque lo constituye la posibilidad de incorporar conocimiento
143
geologico adicional al registrado en las muestras disponibles. Sin embargo, la adicion de datos
extras de geologa puede transgredir las proporciones y modelo variografico planteado para el
caso homotopico. Lamentablemente no es posible actualizar el modelo variografico de modo
de incorporar los datos de geologicos adicionales. Por lo tanto, los datos adicionales solo
act
uan como datos condicionantes de geologa e influyen indirectamente en las realizaciones
de leyes.
8.2.
Implementaci
on de los modelos
Otro aspecto a considerar es la dificultad en la implementacion y puesta en marcha de los

modelos utilizados. A continuacion se presentan en orden de dificultad los modelos utilizados.
1. Modelo sin control geol
ogico: corresponde al mas sencillo de todos, requiriendo solo
una variografa y simulacion.
2. Modelo con control geol
ogico determinstico: solo requiere enfocarse en las simulaciones de leyes. Su dificultad depende del n
umero de unidades a simular. Por su
parte, la construccion de un modelo geologico tradicional puede requerir un tiempo
considerable de modelamiento (meses).
3. Modelo con control geol
ogico probabilstico: requiere variografas para unidades
geologicas y variografa de leyes. Requiere dos simulaciones independientes. En caso
de relaciones de contacto no jerarquizadas entre UG, se requiere del uso de simulacion
plurigaussiana.
4. Modelo de cosimulaci
on de litologa y leyes: requiere establecer un modelo variografico entre indicadores de UG y leyes. La inferencia y tiempos de calculo aumentan
considerablemente con el incremento de unidades. En caso de tener relaciones de contacto entre UG no jerarquizada, la inferencia se torna a
un mas compleja al utilizar el
modelo de simulacion gaussiana para leyes y plurigaussiana para unidades geologicas.
8.3.
8.3.1.
Resultados comparaci
on caso de estudio
Estadsticas b
asicas
Los modelos simulados independientemente (con modelo determinstico y probabilstico de

UG) y el modelo sin control geologico presentan leyes medias por realizacion similares. El
modelo cosimulado presenta una distribucion de leyes medias menor a los modelos anteriores,
la cual disminuye a medida que se incorporan datos adicionales de la unidad NoBXT de menor
ley.
144
Si bien las diferencias son aparentemente menores, es interesante ver que a partir de los
mismos datos utilizados en el modelo sin control geologico, existen diferencias al considerar
la aparicion de la unidad geologica en el modelo cosimulado homotopico. Debido al hecho
anterior y a las variaciones observadas en las realizaciones de leyes de CuT al incorporar
datos adicionales de geologa, queda de manifiesto el control ejercido por las muestras de
geologa en las leyes simuladas de CuT.
En terminos de variabilidad, destaca el modelo sin control geologico que presenta las realizaciones de ley de cobre con mayor dispersion. Al incorporar muestras adicionales en el modelo
de cosimulacion las leyes de las realizaciones se presentan menos variables.
8.3.2.
Valores esperados y medidas de incertidumbre local
En terminos de valores esperados nodo a nodo, el promedio de las realizaciones de ley de

CuT luce bastante similar entre los modelos, pero es posible notar la mayor definicion de las
zonas de altas y bajas leyes para los modelos cosimulados, en especial con la incorporacion
de muestras adicionales.
Al analizar las medidas de incertidumbre local, las diferencias son mas notorias. Los modelos
de simulacion independiente se presentan mas variables a traves de las realizaciones que los
modelos cosimulados y el modelo sin control geologico. La razon es el uso de las muestras de
leyes de manera independiente por UG en los primeros modelos, lo cual genera zonas mas
variables debido a que la cosimulacion considera todas las muestras de leyes y ademas a
nade
la variable relativa a la unidad geologica.
En el caso de los modelos cosimulados la incorporacion de muestras adicionales de UG (casos
heterotopicos) se traduce en una disminucion en la variabilidad de las leyes con respecto a
los casos homotopicos e independientes, lo cual es una muestra del control geologico en la
variabilidad de las leyes de CuT.
Para las realizaciones de UG, se observa que los modelos cosimulados son menos variables
que el modelo de simulacion independiente. Incluso en el caso homotopico se aprecia una
disminucion en la variabilidad de la aparicion de BXT debido a la influencia de las leyes.
La incorporacion de muestras de geologa ayuda directamente a definir la ocurrencia de las
unidades geologicas y disminuir su incertidumbre.
8.3.3.
Recursos esperados y variabilidad asociada
En relacion a los tonelajes y leyes de los valores esperados de cada modelo, se aprecia que
existe una peque
na diferencia, en la cual los modelos cosimulados presentan cerca de un 4 %
menos de tonelaje y una ley media superior del orden de 0.01 % para una ley de corte de un
0.5 %. En el caso de considerar las curvas tonelaje-ley esperadas de las realizaciones ocurre
algo similar.
145
La variabilidad en las curvas tonelaje-ley tiene una expresion diferente seg

un modelos. Los
modelos cosimulados y sin control geologico poseen su mayor variabilidad en tonelaje en
torno a una ley de corte de 0.5 %, mientras que los modelos con simulacion independiente
(probabilstica y determinstica) alrededor de un 1.0 %. Sobre este umbral estos modelos
poseen una variabilidad superior a los modelos cosimulados. Esto se debe a que sobre estos
umbrales opera un alto porcentaje de la unidad BXT, mas variable que la unidad NoBXT.
En el caso de las leyes, los modelos con simulacion independiente muestran una menor variabilidad que los modelos restantes. Destaca el enfoque sin control geologico que presenta una
variabilidad superior para todas las leyes de corte.
8.3.4.
Correlaci
on de leyes entre unidades simuladas
Los resultados reafirman lo esperado para los modelos utilizados, donde las aproximaciones de
simulacion independiente (probabilstico y determinstico) presentan baja o nula correlacion
entre las leyes simuladas pertenecientes UG distintas, mientras que los modelos cosimulados
muestran un nivel mayor de correlacion en las cercanas de las fronteras.
Al incorporar muestras adicionales de geologa la correlacion presenta una disminucion debido
a la mayor definicion de las leyes simuladas.
8.4.
Validaci
on de los modelos
El desempe
no de los modelos, en el caso de estudio utilizado, revela que los modelos cosimulados superan a los enfoques tradicionales en diversos aspectos:
En relacion al error porcentual promedio en leyes, los modelos cosimulados llegan a
tener un desempe
no de ordenes de magnitud superior a los enfoques tradicionales de
simulacion.
Al comparar la correlacion de cada realizacion con el modelo de validacion, los modelos cosimulados presentan un desempe
no consistentemente mayor a los enfoques de
simulacion independiente, determinstico y sin control geologico.
En relacion al acierto en destino (planta-botadero), los modelos cosimulados presentan
una mayor predictibilidad para todas las leyes de corte, alcanzando hasta un 2.5 % en
torno a una ley de corte de un 1 %.
En terminos de exactitud y precision como modelos de incertidumbre los modelos cosimulados muestran un mejor desempe
no que los modelos restantes.
Al analizar los perfiles de leyes de los valores esperados por realizacion se presentan
ciertas zonas que ning
un modelo es capaz de capturar.
146
En relacion a la falla de los modelos detectada en los perfiles de leyes, puede deberse a un
efecto de informacion, es decir, a partir de la informacion de sondajes no es posible predecir
las leyes encontradas en los datos de validacion. Otra posibilidad es que la litologa no sea el
u
nico control presente en el deposito, de modo que un control adicional permita explicar y
predecir de mejor manera estas zonas donde los modelos fallan.
Un resultado de suma relevancia para el estudio es que la incorporacion de muestras adicionales de geologa, implica mejoras en el desempe
no de las validaciones de leyes para los
distintos tests realizados.
Un aspecto interesante corresponde al desempe
no del modelo de simulacion sin control
geologico, el que en algunos tests se presenta cercano o superior al de los modelos de simulacion independiente. Esto puede ser debido a que una eleccion incorrecta en la ubicacion
de la unidad geologica, ya sea por el modelo geologico (M6) o producto de simulacion independiente (M5), implica un error superior que en el caso de considerar todos los datos al
mismo tiempo.
8.5.
Utilidad de los modelos
Los modelos con control geologico determinstico y con control geologico probabilstico son
adecuados en el caso de existir transiciones abruptas entre leyes de diferentes unidades, por
ejemplo en depositos con la presencia de vetas o unidades de muy alta ley en contacto con
unidades esteriles (ej: intrusivos post-mineralizacion).
Es importante notar que un cambio en las leyes medias en las fronteras de los datos, no
implica necesariamente la no correlacion. Por ejemplo, puede existir un cambio considerable
en leyes, pero escalado entre unidades (impregnacion), en cuyo caso las muestras de ambas
unidades informan acerca del comportamiento de la otra. Los enfoques en que se asume
independencia no consideran este tipo de situaciones.
En el caso de existir transiciones graduales en leyes en las fronteras de las unidades, los
modelos cosimulados planteados en este estudio se presentan como una buena alternativa.
Cualquier proceso de caracter difusivo (ej. yacimientos diseminados) corresponde a un buen
escenario donde aplicar estos modelos. Es importante notar que la existencia de correlacion
entre las leyes e indicadores de las unidades, no contiene informacion directa del cambio en
las leyes en la frontera de las unidades.
Mas alla del modelo a priori utilizado, los datos condicionantes juegan un papel importante
al momento de la simulacion. Muchas veces transfieren sus caractersticas a las realizaciones,
restando cierta importancia al modelo matematico adoptado. Por ejemplo, en algunas zonas
del modelo con control geologico determinstico se aprecian transiciones graduales producto
que los datos presentan esta caracterstica. Lo importante es escoger el modelo mas adecuado
en funcion de los datos.
147
La posibilidad de incorporar el control geologico en la simulacion de leyes es de gran relevancia para el negocio minero. El modelo cosimulado planteado en el presente estudio
permite transferir este conocimiento o certeza en la geologa a las realizaciones de leyes. Esto
resulta interesante en caso de utilizar modelos cosimulados para analisis de riesgo disminuyendo/aumentando la incertidumbre en leyes donde se tenga certeza en la aparicion de una
unidad de baja/alta variabilidad.
A partir de modelos cosimulados sera posible establecer metodologas de clasificacion de
recursos que incorporen la incertidumbre conjunta de unidades geologicas y leyes, a su vez
modulada por el conocimiento geologico.
Un caso donde el modelo cosimulado puede ser de utilidad, es cuando se dividen las distribuciones de leyes seg
un rango (Alfaro, 1994), las cuales son modeladas manualmente o
simuladas como indicadores de cada rango, para posteriormente simular o estimar al interior
de ellas. En este caso, un modelo de cosimulacion de los indicadores asociados a los rangos de
leyes con las leyes mismas permite hacer uso de la informacion mas alla de los rangos y perder
menos informacion al momento de estimar o simular, lo cual potencialmente disminuira los
problemas asociados al enfoque de rangos de leyes.
Una extension menos clara, corresponde al caso en que la variable regionalizada presenta
deriva, para fijar ideas una disminucion de ley en la vertical. En ese caso es posible dividir la
distribucion de leyes seg
un cota en una serie de zonas que caracterizan la disminucion, para
luego cosimular la ley con los indicadores asociados a las zonas de cambio.
148
Captulo 9
Conclusiones
A partir de los modelos de simulacion presentados en este trabajo, fue posible ilustrar la
potencialidad de los modelos geoestadsticos para caracterizar la variabilidad e incertidumbre
en la aparicion de unidades geologicas (UG) en el espacio, frente al enfoque tradicional del
modelamiento geologico determinstico.
En relacion al objetivo principal de este estudio, se logro dise
nar un modelo de cosimulacion
valido entre las leyes de cobre y la ocurrencia de una unidad geologica asociada a la litologa
del deposito. Este modelo permite hacer uso de la relacion existente entre las UG y leyes mas
alla de la division del deposito en unidades geologicas utilizado en los enfoques tradicionales.
Los modelos de simulacion gaussiana truncada o plurigaussiana utilizado para el modelo de
cosimulacion planteado, presentan, por s mismos, propiedades interesantes desde el punto de
vista geologico, permitiendo incorporar el conocimiento geologico acerca de las relaciones de
contacto entre UG a traves de la bandera de truncacion, o el tipo de contacto entre unidades
(definidos o irregulares) por medio de los modelos variograficos.
De los resultados fue posible comprobar que, en las realizaciones del modelo cosimulado, las
leyes influencian la aparicion de unidades geologicas y, en el sentido opuesto, las unidades
geologicas influyen en las leyes simuladas.
Este modelo de cosimulacion permite la incorporacion de conocimiento geologico, relativo
a la aparicion de unidades geologicas en sitios no muestreados por medio de la adicion de
muestras extras de geologa. Estas muestras no solo tienen una representacion directa en las
realizaciones de UG, sino que influencian las realizaciones asociadas a leyes a traves del modelo
cosimulado. Esto permite transferir la certeza en la aparicion de unidades geologicas a las leyes
simuladas de cobre, afectando los valores de leyes en las realizaciones y consecuentemente su
variabilidad e incertidumbre.
Al comparar los modelos tradicionales y el enfoque planteado, se aprecia que, en terminos
de valores esperados, no difieren substancialmente. Sin embargo, al considerar los modelos
realizacion a realizacion se presentan caractersticas distintivas entre los modelos. Una de
149
estas caractersticas es la transicion de leyes entre las unidades geologicas simuladas.

En el caso de existir transiciones graduales entre las leyes de los datos de distinta UG, los
modelos cosimulados son adecuados. Por el contrario cuando las leyes presentan cambios
abruptos o fronteras duras los enfoques de simulacion independientes representaran mejor
esta propiedad de los datos.
Los enfoques tradicionales de simulacion independiente (determinstico y probabilstico), presentan medidas de incertidumbre local mayores que los modelos cosimulados, lo cual puede
tener consecuencias en la toma de decisiones tales como ubicacion de nuevos sondajes, clasificacion de recursos o en terminos de analisis de riesgo de un proyecto.
De los resultados obtenidos en la validacion, es posible concluir que el modelo planteado
tiene un desempe
no superior a los enfoques tradicionales en depositos parecidos al del caso
de estudio. Los modelos cosimulados presentan realizaciones mas similares a la realidad, con
menos sesgo y un mayor nivel de predictibilidad en tonelajes y leyes sobre una ley de corte.
9.1.
Recomendaciones para futuras investigaciones
9.1.1.
Extensiones del modelo de cosimulaci

on planteado
9.1.1.1.
Casos multivariables
Una primera extension corresponde al uso de simulacion plurigaussiana en lugar de gaussiana

truncada. En tal caso, es posible simular unidades geologicas con relaciones de contacto
complejas. Para ello se debe cosimular dos o mas funciones aleatorias gaussianas relativas a
los indicadores de UG y la asociada a la variable continua (ley de cobre).
En el caso de depositos polimetalicos, donde exista correlacion entre distintas variables, el
modelo de cosimulado puede ser llevado al caso multivariable continuo, para fijar ideas cosimular CuT, CuS y la unidad geologica.
Tambien es posible establecer un modelo de cosimulacion considerando mas de un atributo geologico, por ejemplo cosimular CuT, litologa y zona mineral. En tal caso se deben
correlacionar al menos tres variables gaussianas para efectuar la cosimulacion.
9.1.1.2.
Clasificaci
on del conocimiento geol
ogico
En el modelo planteado es posible incorporar el conocimiento geologico utilizando muestras

adicionales de geologa de un modo determinstico. Es decir, se asume certeza absoluta en la
geologa asignada a cada muestra adicional.
Sin embargo la flexibilidad de la generacion de valores gaussianos por medio del muestreador
150
de Gibbs, permite anadir muestras con cierto nivel de confianza interpretable como la porcentaje de aparicion esperada definida a priori en los sitios de muestras adicionales. Esto se
traducira en restricciones de umbrales ((blandas)) en el muestreador de Gibbs.
Por ejemplo es posible incorporar una muestra que se considere un 80 % de BXT y un 20 %
de no BXT de aparicion esperada. De este modo las realizaciones de unidades geologicas
representaran en mejor medida el conocimiento geologico existente del deposito y consecuentemente influenciara las realizaciones de leyes.
9.1.1.3.
Caso no estacionario
La extension al caso no estacionario no es del todo clara pues se debe enfrentar el caso de dos
o mas variables asociadas de caracter continuo como categorico. Para las u
ltimas las curvas
de proporcion vertical pueden ser u
tiles, pero bajo el modelo planteado debe considerarse
simultaneamente que ocurre con las leyes, luego corresponde a un area interesante por donde
extender el modelo planteado.
Sin embargo, cuando el nivel de informacion condicionante es alto, los datos transfieren caractersticas no estacionarias a un modelo planteado como estacionario. Del mismo modo la
incorporacion de muestras adicionales permite dar caractersticas directamente no estacionarias a las realizaciones de unidad geologica y de un modo indirecto a las realizaciones de
leyes.
9.1.2.
Posibles enfoques para la cosimulaci

on de variables continuas y categ
oricas
Una enfoque interesante corresponde al planteado por Larrondo et al(2004), donde se presenta una cosimulacion 100 % heterotopica entre leyes de distintas unidades. Si bien, la aproximacion no considera la cosimulacion entre UG y leyes, enfrenta de un modo directo las
transiciones entre leyes de distintas unidades. Una potencial aplicacion sera considerar un
enfoque mixto de cosimulacion heterotopica entre leyes y cosimulacion homotopica con variables categoricas.
Tambien sera de interes plantear un modelo totalmente no parametrico, donde la distribucion de leyes sea dividida en distintos umbrales u1 . . . uk , generando k indicadores binarios
asociados a los umbrales, luego establecer un modelo variografico entre los indicadores asociados a leyes y el o los indicadores asociados a unidades geologicas, para finalmente cosimular
los indicadores asociados a leyes y geologa utilizando un enfoque secuencial.
151
Referencias
[1] M. Alfaro. Control geologico en la estimacion de reservas. Minerales, 49:2532, 1994.
[2] M. Armstrong, A. Galli, G. LeLoch, F. Geffroy, and R. Eschard. Plurigaussian simulations in geosciences. Springer, 2003.
[3] A. Bahar. Co-Simulation of lithofacies and petrophysical properties. PhD thesis, University of Tulsa, 1997.
[4] J. Betzhold and C. Roth. Characterizing the mineralogical variability of a Chilean
copper deposit using plurigaussian simulations. Journal of the South African Institute
for Mining and Metallurgy, 100(2):111120, 2000.
[5] F. Camus. Geologa de los Sistemas Porfricos en los Andes de Chile. Servicio Nacional
de Geologa y Minera, 2003.
[6] A. Caceres. Local anisotropy features, an exploratory issue. Unpublished presentation,
Maptek Chile S.A., Citation Program in Applied Geostatistics, Vi
na del mar, Marzoabril 2006.
[7] JP. Chilès and P. Delfiner. Geostatistics: modeling spatial uncertainty. Wiley, New York,
1999.
[8] J. Deraisme and D. Farrow. Geostatistical simulation techniques applied to kimberlite
orebodies and risk assessment of sampling strategies. In O. Leuangthong and C. V. Deutsch, editors, Geostatistics Banff 2004, pages 429438, The Netherlands, 2005. Kluwer
Academic.
[9] C. Deutsch. Direct assessment of local accuracy and precision. In Geostatistics Wollongong 96, 1997.
[10] C. Deutsch. Geostatistical Reservoir Modeling. Oxford University Press, 2002.
[11] C. V. Deutsch and A. G. Journel. GSLIB: geostatistical software library and users guide.
Oxford University Press, New York, 2da edition, 1998.
[12] P. Dowd. Structural controls in the geostatistical simulation of mineral deposits. In
E. Y. Baafi and N. A. Schofield, editors, Geostatistics Wollongong96, 5th International
Geostatistics Congress, pages 647657. Kluwer Academic, 1997.
152
[13] O. Dubrule. Introducing more geology in stochastic reservoir modelling. In Soares A.,
editor, Geostatistics Troia92, pages 351369. Kluwer Academic, 1993.
[14] X. Emery. Properties and limitations of sequential indicator simulation. Stochastic
environmental Research and Risk Assessment, 18(6):414424, 2004a.
[15] X. Emery. Testing the correctness of the sequential algorithm for simulating Gaussian
random fields. Stochastic environmental Research and Risk Assessment, 18:401413,
2004b.
[16] X. Emery. Simulation of geological domains using the plurigaussian model: New developments and computer programs. Computers & Geosciences, 33(9):11891201, 2007.
[17] X. Emery and K. Gonzalez. Probabilistic modeling of geological units in a Chilean
porphyry copper deposit. In J. M. Ortiz et al, editor, Proceedings of the II International
Conference on Mining Innovation, Santiago, 2006. Gecamin Ltda.
[18] X. Freulon, C. de Fouquet, and J. Rivoirard. Simulation of the geometry and grades of
a uranium deposit using a geological variable. In Proceedings of the XXII International Symposium on Applications of Computers and Operations Research in the Mineral
Industry, pages 649659, Berlin, 1990. Technische Universitat Berlin.
[19] P. Frikken. Breccia-hosted copper-molybdenum mineralisation at Rio Blanco, Chile. PhD
thesis, University of Tasmana, Australia, 2003.
[20] A. Galli, A. Beucher, G. Le Loch, B. Doligez, and Heresim Group. The pros and cons of
the truncated gaussian method. In M. Armstrong and P. A. Dowd, editors, Geostatistical
Simulations, pages 217233. Kluwer Academic, 1994.
[21] S. Geman and D. Geman. Stochastic relaxation, Gibbs distribution and the Bayesian restoration of images. I.E.E.E. Transactions on Pattern Analysis and Machine Inteligence,
6:721741, 1984.
[22] I. Given. SME Mining Engineering Handbook. SME, 1992.
[23] A. Journel. Geostatistics for conditional simulation of orebodies. Economic Geology,
69:673687, 1974.
[24] A. G. Journel. Nonparametric estimation of spatial distributions. Journal of the International Association for Mathematical Geology, 15(3):445468, 1983.
[25] A. G. Journel and E. Isaaks. Conditional indicator simulation: application to a Saskatchewan uranium deposit. Mathematical Geology, 16(7):685718, 1984.
[26] C. Lantuejoul. Geostatistical simulation: models and algorithms. Springer, Berlin, 2002.
[27] P. Larrondo, O. Leuangthong, and C. V. Deutsch. Grade estimation in multiple rock
types using a linear model of coregionalization for soft boundaries. In E. Magri et al,
editor, MININ Mining Innovation Conference, pages 187196, Santiago, 2004.
153
[28] G. Le Loch, H. Beucher, A. Galli, and B. Doligez. Improvement in the truncated

gaussian method: combining several gaussian functions. In Fourth European Conference
on the Mathematics of Oil Recovery, 1994.
[29] G. Le Loch and A. Galli. Truncated plurigaussian method: theoretical and practical
points of view. In E. Y. Baafi and N. A. Schofield, editors, Geostatistics Wollongong96,
5th International Geostatistical Congress. Kluwer Academic, 1997.
[30] G. Matheron, H. Beucher, C. de Fouquet, A. Galli, and C. Ravenne. Simulation conditionnelle à trois faciès dans une falaise de la formation du Brent. Sciences de la Terre,
Serie informatique geologique, 28:213249, 1988.
[31] E. Pardo-Ig
uzquiza and P. Dowd. Extension of, and algorithms for, plurigaussian simulation. In Application of Computers and Operations Research in the Mineral Industry.
Proceedings of the 30th APCOM Symposium, pages 757768. Society for Mining, Metallurgy and Exploration Inc., 2002.
[32] C. Ravenne, A. Galli, B. Doliguez, H. Boucher, and R. Eschard. Quantification of facies relationships via proportion curves. In M. Armstrong, C. Bettini, N. Champigny,
A. Galli, and A. Remacre, editors, Geostatistics Rio 2000, pages 1940. Kluwer Academic, 2002.
[33] R. Riquelme, G. Le Loch, and P. Carrasco. Truncated gaussian and plurigaussian simulations of lithological units in Mansa Mina deposit. In VIII International Geostatistics
Congress, GEOSTATS 2008, volume 2, pages 819828, 2008.
[34] L. Serrano, R. Vargas, V. Stambuck, C. Aguilar, M. Galeb, C. Holmgren, A. Contreras,
S. Godoy, I. Vela, M. Skewes, and C. Stern. The Late Miocene Early Pliocene Ro Blanco
- Los Bronces Copper Deposit, Central Chilean Andes. In Andean Copper Deposits: New
Discoveries, Mineralization, Styles and Metallogeny. Society of Economic Geologists,
Special Publication, 5:119130, 1996.
[35] A. Skewes, C. Holgrem, and Ch. Stern. The Donoso Copper-Rich, Tourmaline-Bearing
Breccia Pipe in Central Chile: Petrology, Fluid Inclusion and Stable Isotope Evidence
for an Origin from Magmatic Fluids. Mineralium Deposita, 38:221, 2003.
[36] A. Skewes, C. Holgrem, and R. Vargas. Alteracion a Anfbola y Magnetita en el Megayacimiento Ro Blanco - Los Bronces, Chile Central. In VII Congreso Geologico Chileno,
volume 2, pages 16231626, Concepcion, 1994.
[37] M. Skewes and C. Holgrem. Solevantamiento Andino, Erosion y Emplazamiento de
Brechas Mineralizadas en el Deposito de Cobre Porfrico Los Bronces, Chile Central
(33 S); Aplicacion de Geotermometra de Inclusiones Fludas. Revista Geologica, Chile,
20:7183, 1993.
[38] T. Skvortsova, H. Beucher, M. Armstrong, J. Forkes, A. Thwaites, and R. Turner. Simulating the geometry of a granite-hosted uranium orebody. In M. Armstrong, C. Bettini,
N. Champigny, and A. Remacre, editors, Geostatistics Rio 2000, pages 8595, The Netherlands, 2002. Kluwer Academic.
154
[39] C. Sprohnle. Geologa de los sectores Sur Sur y Don Luis del Yacimiento Ro Blanco,
Division Andina, Codelco Chile. Memoria, 1988. Departamento de Geologa, Universidad
de Chile.
[40] V. Stambuck, C. Holgrem, A. Contreras, L. Serrano, S. Godoy, M. Galeb, and I. Vela.
Geologa del Megayacimiento Ro Blanco-Los Bronces, Chile Central. In VII Congreso
Geologico Chileno, volume 2, pages 16271628, Concepcion, 1994.
[41] V. Stambuk, C. Aguilar, J. Blondel, M. Galeb, L. Serrano, and R. Vargas. Geologa del
yacimiento ro blanco, superintendencia de geologa. Technical report, CODELCO-Chile,
Division Andina, 1988.
[42] F. Vargas, L. Gustafson, M. Vukasovic, and A. Skewes. Ore Breccias in the Rio BlancoLos Bronces Porphyry Copper Deposit, Chile. Society of Economic Geologists. Special
Publication, 7:281297, 1999.
[43] M. Vergara and R. Drake. Antecedentes Petrograficas y Petrologicos del Cordon del
Cerro Manquehue, Santiago. Technical report, Departamento de Geologa, Facultad de
Ciencias Fsicas y Matematicas. Universidad de Chile, 1978.
[44] F. Warnaars, C. Holgrem, and S. Barassi. Porphyry copper and tourmaline breccias at
Los Bronces - Rio Blanco, Chile. Economic Geology, 80:15441565, 1985.
155
Bibligrafa de consulta
[45] B. K. Ahuja. Integration of geological and petrophysical information using geostatistical
methods - self unit study. Masters thesis, University of Tulsa, 1993.
[46] F. Alabert. Stochastic imaging of spatial distributions using hard and soft information.
Masters thesis, Stanford University, Department of Applied Earth Sciences, 1987.
[47] F. Alabert and Massonnat G.J. Heterogeneity in a complex turbidic reservoir: stochastic
modeling of facies and petrophysical variability. In 65th Annual technical conference
and exhibition of the society of petroleum engineers, volume 20604, pages 775790, New
Orleans, 1990.
[48] M. Alfaro. Estudio geologico de la mina Los Bronces, provincia de Santiago. Memoria de
Ttulo, 1969. Departamento de Geologa, Facultad de Ciencias Fsicas y Matematicas.
Universidad de Chile.
[49] M. Alfaro. Etude de la robustesse des simulations de fonctions aleatoires. Unpublished Ph.D. dissertation, Ecole Nationale Superieure des Mines de Paris, Fontainebleau,
France, 1979.
[50] M. Alfaro. La simulacion condicional en un deposito minero. Publicacion electronica,
2008.
[51] D. Allard. Connexite des ensembles aleatoires: application à la simulation des reservoirs
petroliers heterogènes. Masters thesis, Fontainebleau: Centre de Geostatistique de
lEcole des Mines de Paris, 1993.
[52] D. Allard. Simulating a geological lithofacies with respect to connectivity information using the truncated gaussian model. In M. Armstrong and P. A. Dowd, editors,
Geostatistical Simulations, pages 197211, The Netherlands, 1994. Kluwer Academic.
[53] J. Blondel. Porfido de composicion granodiortica de la mina Ro Blanco. Memoria de
Ttulo, 1980. Departamento de Geologa, Facultad de Ciencias Fsicas y Matematicas.
Universidad de Chile.
[54] C. Burnham. Energy release in subvolcanic environments: Implications for breccia
formation. Society of Economic Geologists, 80:15151522, 1985.
156
[55] R. Caminos, C. Mpodozis, V. Ramos, S. Rivano, and M. Parada. Seccion Geologica

de los Andes entre Algarrobo (Chile) y Mendoza (Argentina). Folleto Gua, Excursion
Post-Simposio Proyecto 120 de la Evolucion magmatica de Los Andes., 1985. Departamento de Geologa, Facultad de Ciencias Fsicas y Matematicas. Universidad de Chile.
[56] S. Carras. Let the orebody speak. In Mineral Resource and Ore Reserve Estimation The AusIMM Guide to Good Practice, pages 147156, 2001.
[57] P. Carrasco. La importancia del concepto de variabilidad en la evaluacion de yacimientos. In I Coloquio sobre Planificacion Geometal
urgica, Antofagasta, 2001. Instituto de
Ingenieros de Minas de Chile.
[58] P. Carrasco, F. Ibarra, G. Le Loch, R. Rojas, and S. Seguret. Application of the
truncated gaussian simulation method to the Mansa Mina deposit at Codelco Norte,
Chile. Technical report, Centre de Geostatistique, Ecole des Mines de Paris, 2006.
[59] A. Caceres, M. Zu
niga, J. Meneses, and D. Araya. Validacion metodologa de modelamiento geologico asistido numericamente, aplicacion al yacimiento radomiro tomic.
Informe interno, Quadmine Consultores S.A., mayo 2007.
[60] N. Champigny, P. Cuadra, G. Ferraz, and A. Moraga. Successful incorporation of geological controls into reserve evaluation: recent examples from giant copper mines in Chile.
In M. Armstrong, C. Bettini, N. Champigny, and A. Remacre, editors, Geostatistics
Rio 2000, pages 163176, The Netherlands, 2002. Kluwer Academic.
[61] P. Cuadra. Apuntes del curso Geologa de Yacimientos. Departamento de Geologa.
Universidad de Chile., 2002.
[62] MW. Davis. Production of conditional simulations via the LU triangular decomposition
of the covariance matrix. Mathematical Geology, 2:9198, 1987.
[63] J. Deraisme. Recent and future developments of downstream geostatistics. In Geostatistics for Natural Resources Characterization, pages 979999, 1984.
[64] C. Deutsch and L. Wang. Hierarchical object-based stochastic modeling of fluvial
reservoirs. Mathematical Geology, 28(7):857880, 1996.
[65] R. Dimitrakopoulos and M. Dagbert. Sequential modelling of relative indicator variables. Dealing with multiple lithology types. In A. Soares, editor, Geostatistics Troia92,
4th International Geostatistics Congress, volume 1, pages 413424, The Netherlands,
1993. Kluwer Academic.
[66] P. Dowd. Geological and structural control in kriging. In A. Soares, editor, Geostatistics
Troia92, 4th International Geostatistics Congress, volume 2, pages 923935. Kluwer
Academic, The Netherlands, 1993.
[67] P. Dowd. Geological controls in the geostatistical simulation of hydrocarbon reservoirs.
Arabian Journal for Science and Engineering, 19:237247, 1994.
157
[68] P. A. Dowd. Geometrical and geological control in geostatistical estimation and ore
body modeling. In R. V. Ramani, editor, Proceedings of the 19th APCOM Symposium:
Society of Mining Engineers, pages 8199, Colorado, 1986. Littleton.
[69] P. A. Dowd, E. Pardo-Iguzquiza, and C. Xu. PLURIGAU: A computer program for
simulating spatial facies using the truncated plurigaussian method. Computers & Geosciences, 29(2):123141, 2003.
[70] R. Drake. Chronology of cenozonic igneous and tectonic events in the Central Chilean
Andes. In Jaucei Institute Sympocium. Volcanology, 1974.
[71] R. Drake, G. Curtis, and M. Vergara. Potassium-Argon dating of igneous activity
in the Central Chilean Andes. Latitude 33 S. Journal Volcanology and Geothermal,
1:285295, 1976.
[72] R. Drake, M. Vergara, F. Munizaga, and J. Vicente. Geochronology of mesozoic cenozoic
magmatism in Central Chilean. Technical report, Departamento de Geologa, Facultad
de Ciencias Fsicas y Matematicas. Universidad de Chile, 1978.
[73] J.H. Duke and P.J. Hanna. Geological interpretation for resource modelling and estimation. In Mineral Resource and Ore Reserve Estimation - The AusIMM Guide to
Good Practice, pages 147156, 2001.
[74] X. Emery. Geoestadistica Lineal. Departamento de Ingeniera de Minas Universidad
de Chile, 2000.
[75] X. Emery. Simulaciones Estocasticas y Geoestadistica no lineal. Universidad de Chile,
2002.
[76] X. Emery and C. Lantuejoul. Tbsim: A computer program for conditional simulation
of three-dimensional gaussian random fields via the turning bands method. Computers
& Geosciences, 32(10):16151628, 2006.
[77] G. Ferraz. Aspectos geologicos aplicados a la estimacion de recursos en el yacimiento
Radomiro Tomic. Memoria de ttulo, 2001. Departamento de Geologa, Facultad de
Ciencias Fsicas y Matematicas, Universidad de Chile.
[78] X. Freulon. Conditionnement du modèle gaussien par des inegalites ou des randomisees.
PhD thesis, Fontainebleau: Centre de Geostatistique de lEcole des Mines de Paris,
1992.
[79] X. Freulon. Conditional simulation of a gaussian random vector with non linear and/or
noisy observations. In M Armstrong and P.A Dowd, editors, Geostatistical Simulations,
pages 5771. Kluwer Academic, 1994.
[80] X. Freulon and C. de Fouquet. Conditioning a Gaussian model with inequalities. In
A. Soares, editor, Geostatistics Troia92, 4th International Geostatistics Congress, volume 1, pages 201212. Kluwer Academic, 1993.
158
[81] M. Gajardo. Distribucion del molibdeno del yacimiento Ro Blanco, provincia de Aconcagua. Memoria de Ttulo, 1969. Departamento de Geologa, Facultad de Ciencias
Fsicas y Matematicas. Universidad de Chile.
[82] J. Gomez-Hernandez and E. Cassiraga. Theory and practice of sequential simulation.
In M. Armstrong and P.A. Dowd, editors, Geostatistical Simulation, Kluwer, pages
111124, 1994.
[83] C. Gold. Geological mapping by computer. In O. R. F. Taylor, editor, The Computer in
Contemporary Cartography, pages 151190, London, 1980. John Wiley and sons, Ltda.
[84] C.M. Gold. Common sense automated contouring - some generalizations. Cartographica, 21:l21129, 1984.
[85] P. Goovaerts. Geostatistics for natural resources evaluation. Oxford University Press,
New York, 1997.
[86] D. Guibal. Variography, a tool for the resource geologist. In Proceeding of The Resource
Database Towards 2000 AusIMM Seminar, pages 8590, 1997.
[87] H. Haldorsen and C. Macdonald. Stochastic modeling of underground reservoir facies
(SMURF). SPE, 16751:575589, 1987.
[88] J.L Hand. Ability of geostatistical simulations to reproduce geology : A critical evaluation. In 69th SPE Annual Meeting procedings, pages 2528, New Orlans, 1994. 69th
SPE Annual Meeting.
[89] C. Holmgren, M. Marti, M. Skewes, A. Schneider, and R. y Harmon. Analisis isotopico
y de inclusiones fluidas en el yacimiento Los Bronces, Chile Central. In V Congreso
Geologico Chileno, volume 1, pages B299B313, Santiago, 1988.
[90] L. Hu and M. Le Ravalec-Dupin. On some controversial issues of geostatistical simulation. In Geostatistics Banff 2004, pages 175184, 2005.
[91] E. Isaaks and R. Srivastava. An introduction to applied geostatistics. Oxford University
Press, 1989.
[92] D. Jeulin. Dead leaves models: from space tessellation to random functions. In D. Jeulin, editor, Advances in theory and applications of random sets, Proceedings of the
International Symposium, pages 137156, France, October 1997. Fontainebleau.
[93] A. Journel. Geostatistics for conditional simulation of orebodies. Economic Geology,
69:673687, 1974.
[94] A. Journel and C. Kyriakidis. Evaluation of Mineral Reserves: A Simulation Approach.
Oxford University Press, 2004.
[95] A. G. Journel. Nonparametric estimation of spatial distributions. Journal of the International Association for Mathematical Geology, 15(3):445468, 1983.
159
[96] A. G. Journel. The place of nonparametric geostatistics. In G. Verly, M. David, A. G.

Journel, and A. Marechal, editors, Geostatistics for Natural Resources Characterization,
volume 1, pages 445468, Holland, 1984. Reidel.
[97] A. G. Journel. Fundamentals of Geostatistics in Five Lessons, Volume 8, Short Courses
in Geology, volume 8. American Geophysical Union, Washington D.C., 1989.
[98] A.G. Journel and C.J. Huijbregts. Mining Geostatistics. Academic Press, London,
1978.
[99] C. Klohn. Geologa de la Cordillera de los Andes de Chile Central, Provincias de
Santiago, OHiggins, Colchagua y Curico. Instituto de Investigaciones Geologicas, 8:95,
1960.
[100] M. Kusakabe, M. Hori, and Y. Matsuhisa. Primary Mineralization-Alteration of The
El Teniente-Ro Blanco, Porphyry Copper Deposits, Chile; Stable Isotope, Fluid Inclusion and Mg2+/Fe2-/Fe3+ Ratios of Hidrotermal Fluids. In H Herbert and S. Ho,
editors, Stable Isotopes and Fluid Processes in Mineralization, Perth, 1990. University
of Western Australia.
[101] M. Kusakabe, S. Nakagawa, M. Hori, Y. Matsuhisa, J. Ojeda, and L Serrano. Oxygen
and Sulfur Isotopic Compositions of Quartz, Anhydrite and Sulfide Minerals from the
El Teniente and Rio Blanco Porphyry Copper Deposits, Chile. In Special Issue for
Overseas Geology and Mineral Resources, 35(11):583614, 1984.
[102] C. Lantuejoul. Nonconditional simulation of stationary isotropic multigaussian random
functions. In M. Armstrong and P. A. Dowd, editors, Geoestatistical Simulations.
Kluwer Academic, 1994.
[103] L. Lopez and M. Vergara. Geoqumica y Petrogenesis de Rocas Igneas Asociadas al
Porfido Cuprfero Ro Blanco - San Francisco. Technical report, Departamento de
Geologa, Facultad de Ciencias Fsicas y Matematicas. Universidad de Chile, 1982.
[104] D. Mackenzie and G. Wilson. Geological interpretation and geological modeling. In
Mineral Resource and Ore Reserve Estimation - The AusIMM Guide to Good Practice,
pages 147156, 2001.
[105] C. Mann. Uncertainty in geology. Computers in geology25 years of progress, 20:241
254, 1993.
[106] G. Matheron. The intrinsic random functions and their applications. Advances in
Applied Probability, 5:439468, 1973.
[107] G. Matheron. Estimating and choosing: an essay on probability in practice. Springer,
1989.
[108] G. Matheron, H. Beucher, C. de Fouquet, A. Galli, D. Guerillot, and C. Ravenne.
Conditional simulation of geometry of fluvio deltaic reservoirs. SPE, 16753:123131,
1987.
160
[109] R. Moscoso, H. Padilla, and S. Rivano. Hoja Los Andes, Region de Valparaso. Carta
Geologica de Chile N 52. Servicio Nacional de Geologa y Minera, 1982.
[110] F. Munizaga and J. Vicente. Acerca de la Zonacion Plutonica y del Volcanismo Miocenico en los Andes de Aconcagua (32 -33 S): Datos Radiometricos K-Ar. Revista Geol
ogica
de Chile, 16:321, 1982.
[111] C. Murray. Indicator simulation of petrophysical rock types. In A. Soares, editor,
Geostatistics Troia92, 4th International Geostatistics Congress, volume 1, pages 399
411. Kluwer Academic, 1993.
[112] R. Olea. Geostatistical glossary and multilingual dictionary. Oxford University Press,
1991.
[113] J. Padilla. Contribucion a la Geologa y Petrologa de las Rocas Volcanicas e Intrusivas de los Andes Chilenos, entre las latitudes 33 45-33 S. Memoria de Ttulo, 1981.
Departamento de Geologa, Facultad de Ciencias Fsicas y Matematicas. Universidad
de Chile.
[114] E. Pardo-Ig
uzquiza and P. Dowd. Extension of, and algorithms for, plurigaussian simulation. In Application of Computers and Operations Research in the Mineral Industry.
Proceedings of the 30th APCOM Symposium, pages 757768. Society for Mining, Metallurgy and Exploration Inc., 2002.
[115] S. Pichott. Distribucion de Bornita y Minerales de Diagnosticos de Alteracion en el
Yacimiento Ro Blanco, V Region, Chile. Memoria de Ttulo, 1996. Departamento de
Ciencias de la Tierra. Facultad de Ciencias Qumicas. Universidad de Concepcion.
[116] R. Pilger. Cenozoic plate kinematics, subduction and magmatism; South America
Andes. Cenozoic Plate Kinematics, Subduction and Magmatism; South America Andes,
77:901925, 1984.
[117] M. Pinilla. Influencia del modelo geologico en la estimacion de recursos: Estudio del
nivel cuatro de Teniente. Memoria de Ttulo, 2002. Departamento de Geologa, Universidad de Chile.
[118] A. Puig. Geologic and Metallogenic Significance of the Isotopic Composition of Lead
in Galenas of the Chilean Andes. Society of Economic Geologists, 83(4):843858, 1988.
[119] V. Ramos. El Mesozoico de la Alta Cordillera de Mendoza: Reconstruccion Tectonica de
sus facies, Argentina. In IV Congreso Geologico Chileno, volume 4, pages 1/4921/513,
Antofagasta, 1985.
[120] S. Rivano, E. Godoy, M. Vergara, and M. Villaroel. Redefinicion de la Formacion
Farellones de los Andes de Chile Central (32 -34 S). Revista Geologica de Chile, 15:59
70, 1990.
[121] S. Rivera and M. Navarro. Estudio Geologico Distrital de la Division Andina de
Codelco-Chile. Corporacion Nacional del Cobre. Gerencia de Exploraciones, 1996.
161
[122] C. Ruiz, L. Aguirre, J. Corvalan, C. Klohn, E. Klohn, and B Levi. Geologa y Yacimientos Metalicos de Chile. Instituto de Investigaciones Geologicas, Santiago, 1965.
[123] M. Shinozuka and CM. Jan. Digital simulation of random processes and its applications.
Journal of Sounds and Vibrations, 1:111128, 1972.
[124] R. Sillitoe. Ore related breccias in volcano-plutonic arc. Special Issue Devoted to
Breccia-Hosted Ores. Society of Economic Geologists, 80:14671514, 1985.
[125] R. Sillitoe. Exploration Potential and Recommendations, Los Bronces District, Central Chile. Technical report, Compa
na Minera Anglo American. Superintendencia de
Exploraciones, Santiago, 2003.
[126] A. Skewes and C. Stern. Tectonic Trigger for the Formation of Late Miocene Cu-rich
Mega-Breccias in the Andes of Central Chile. Geology, 22(6):551554, 1994.
[127] M. A. Skewes and C. R. Stern. Genesis of the Giant Late Miocene to Pliocene Copper
Deposits of Central Chile in the Context of Andean Magmatic and Tectonic Evolution.
International Geology Review, 37:893909, 1995.
[128] M. A. Skewes and C. R. Stern. Late Miocene mineralized breccias in the Andes of
central Chile: Sr- and Nd-isotopic evidence for multiple magmatic sources. In F. Camus, R. M. Sillitoe, and R. Petersen, editors, Andean copper deposits: new discoveries,
mineralization, styles and metallogeny, pages 3342, 1997.
[129] T. Skvortsova, M. Armstrong, H. Beucher, J. Forkes, A. Thwaites, and R. Turner. Applying plurigaussian simulations to a granodiorite-hosted orebody. In W. J. Kleingeld
and D. G. Krige, editors, Geostats 2000 Cape Town, pages 904911, Johannesburg,
2001.
[130] A. Soares. Geostatistical estimation of orebody geometry: morphological kriging. Mathematical Geology, 22(7):787802, 1990.
[131] V. Stambuck, J. Blondel, and L. Serrano. Geologa del yacimiento Ro Blanco. In III
Congreso Geologico Chileno, volume 2, pages E419E442, Concepcion, 1982.
[132] V. Stambuck, L. Serrano, and R. Vargas. Geologa del sector Sur-Sur, yacimiento Ro
Blanco. In Actas IV Congreso Geologico Chileno, volume 2, pages 383404, Antofagasta, 1985.
[133] C. L. Stegman. How Domain Envelopes Impact on the Resource Estimate Case
Studies from the Cobar Gold Field, NSW, Australia. In Mineral Resource and Ore
Reserve Estimation, 2001, pages 221236., 2001.
[134] D. Stoyan, W. S. Kendall, and J. Mecke. Stochastic geometry and its application. Wiley,
New York, 1987.
[135] V. Suro-Perez and A. G. Journel. Simulation of lithofacies. In D. Guerillot and O. Guillon, editors, Proceedings of the second European conference on the mathematics of oil
recovery, pages 310, Paris, 1990. Technip.
162
[136] L. Tacher, I. Pomian-Srzednicki, and A. Parriaux. Geological uncertainties associated

with 3-D subsurface models. Computers & Geosciences, 32(2):212221, 2006.
[137] R Thiele. Hoja de Santiago, volume 39. Carta Geologica. Instituto de Investigaciones
Geologicas, 1980.
[138] H. Thomas. Informe de la Comision Geologica Thomas-Yun-Ge Sobre la Alta Cordillera
entre el Ro Colorado y Aconcagua. Technical report, Instituto de Investigaciones
Geologicas, 1953.
[139] I. Urqueta. Antecedentes de Alteracion Hidrotermal y de Genesis del Yacimiento
Cuprfero Ro Blanco. Memoria de Titulo, 1969. Departamento de Geologa, Facultad
de Ciencias Fsicas y Matematicas. Universidad de Chile.
[140] D. Vaughan and J. Craig. Mineral of Metal Sulfides. Cambridge Earth Science Series,
1946.
[141] M. Vergara, R. Charrier, F. Munizaga, S. Rivano, R. Thiele, and R. Drake. Miocenic
Volcanism in the Central Chilean Andes, Cordillera Principal (31o 30-34o 30S lat.).
Technical report, Universidad de Chile. Departamento de Geologa, 1985.
[142] M. Vergara and Latorre J. El complejo volcanico pliocenico de ro blanco. Revista
Geologica de Chile, 22:4960, 1984.
[143] H. Wackernagel. Multivariate geostatistics: an introduction with applications. Springer,
2003.
[144] W. Xu and A. G. Journel. Gtsim: Gaussian truncated simulations of reservoirs units
in West Texas carbonate field. SPE, 27412:13, 1993.
[145] H. Zhu and A. G. Journel. Indicator conditioned estimator. Transactions of the Society
for Mining, Metallurgy and Exploration, 286:18801886, 1990.
163
Captulo 10
ANEXOS
10.1.
Anexo A: Antecedentes Te
oricos
10.1.1.
An
alisis estructural geoestadstico
10.1.1.1.
Variograma experimental:
Para una variable regionalizada z(x), se define como:

=
(h)
X
1
[z(x ) z(x )]2
2N (h) N (h)
(10.1)
donde N (h) corresponde a los pares (x , x ), sitios de muestreo a distancia h.

10.1.1.2.
Covarianza experimental:
Se define como:
=
C(h)
X
1
[z(x ) z][z(x ) z]2
2N (h) N (h)
(10.2)
Donde z = n1 n=1 z(x ) es un estimador de la esperanza de la funcion aleatoria Z asociada

a la variable regionalizada z.
P
164
10.1.2.
Kriging
10.1.2.1.
Kriging simple(KS ):
Se asume que el valor esperado (media) m(x) es conocido y constante en todo el dominio
m(x) = m, conocido y constante x D
(10.3)
Bajo esta consideracion se cumple que la covarianza de R es igual a la covarianza C(h) de

Z, luego la expresion al minimizar la varianza del error se explicita como:
2
ks
(x) = V ar{Zks
(x) Z(x)}
(x), Z(x)}
= V ar{Zks (x)} + V ar{Z(x)} 2Cov{Zks
2
ks
= C(0) +
n X
n
X
C(x x ) 2
=1 j=1
n
X
C(x x)
=1
Los pesos optimos son aquellos que se obtienen al minimizar la varianza del error de estima2
2
cion, es decir, aquellos que minimizan ks
al anular las primeras derivadas parciales de ks
con respecto a cada ponderador desconocido:
n
2
X
1 ks
C(x x ) C(x x) = 0 = 1, . . . , n
=
2
=1
El sistema anterior puede ser expresado matricialmente como sigue:

[C(x x )] ~ = [C(x x)]
(10.4)
C(x1 x)
C(x1 x1 ) . . . C(x1 xn )
1
..
..
..
..
. =
.
.
.
.
C(xn x1 . . . C(xn xn )
n
C(xn x)
Finalmente los ponderadores se obtienen al plantear:
~ = [C(x x )]1 [C(x x)]
(10.5)
Este sistema posee una solucion u

nica si la matriz de varianzas y covarianzas [C(x x )]
es invertible. Esto es posible solo si dicha matriz es de tipo definida positiva, lo cual se
asegura al utilizar modelos de covarianza lcitos. En caso de existir sitios muy cercanos(datos
165
duplicados), esto llevara a generar una fila linealmente dependiente en el sistema tornando
su inversion inestable o imposible.
Luego las expresiones para el estimador y la varianza de kriging son:
n
X
Zks
(x) =
n
X
Z(x ) + (1
=1
)m
(10.6)
=1
2
(x) = 2
ks
n
X
C(x x)
(10.7)
=1
10.1.2.2.
Kriging ordinario (KO):
En este caso se asume que m(x) es desconocida pero constante. De fondo se asume estacionaridad local en una vecindad V (x) en torno a x, lo cual da cuenta de las variaciones locales
de m(x).
m(x) = m, desconocida y constante
(10.8)
Considerando la expresion general del estimador
Z (x) =
Zok
(x) =
Zok
(x)
n
X
i=1
n
X
i=1
n
X
[Z(x ) m(x )] + m(x)

[Z(x ) m] + m
Z(x ) + (1
n
X
)m
i=1
i=1
Como m es desconocida no debe aparecer explcitamente en el estimador, luego es necesario

que el estimador sea de la forma:
Zko
(x)
n
X
Z(x )
i=1
Situacion que se cumple solo s
condicion de insesgo de Zko

(x).
E(Zko
(x) Z(x)) =
i=n
X
=1
i=n
P
= 1, que a su vez permite el cumplimiento de la
i=1
E{Z(x )} E{Z(x)}
|
{z
=m(desconocida)
166
{z
=m(desconocida)
=m(
n
X
=1
1) = 0
La varianza del error de estimacion se desarrolla de manera analoga a la del KS:

2
ko
n X
n
X
= C(0) +
C(x x ) 2
=1 j=1
n
X
C(x x)
=1
La minimizacion debe efectuarse bajo la condicion que la suma de los pesos sea igual a uno,
para ello se recurre a los multiplicadores de Lagrange adicionando una variable auxiliar
2
ko
= C(0) +
n X
n
X
C(x x ) 2
=1 =1
n
X
C(x x) + 2 (
=1
n
X
1)
=1
{z
=0
La minimizacion se lleva a cabo de manera analoga al KS, a excepcion que ahora existe una
nueva variable ().
n
2
X
1 ko
=
C(x x ) C(x x) + = 0 = 1, . . . , n
2
=1
=n
2
X
1 ko
= 1
=
2
=1
Sistema que en su forma matricial es:

"
C(x x ) 1
1
0
#"
C(x1 x1 ) . . . C(x1 xn )
..
..
..
.
.
.
C(xn x1 ) . . . C(xn xn )
1
...
1
"
C(x x)
1
1
1
.
..
.
.
.
1 n
0
C(x1 x)
..
C(xn x)
1
Los ponderadores de KO y son:

"
"
C(x x ) 1
1
0
#1 "
C(x x)
1
Luego las expresiones para el estimador y la varianza de kriging son:
Zks
(x) =
n
X
Z(x )
(10.9)
=1
2
ks
(x) = 2
n
X
=1
167
C(x x)
(10.10)
10.1.2.3.
Cokriging Simple:
Para plantear el problema supongamos que se cuenta con N variables regionalizadas, realizaciones de las funciones aleatorias Z1 , . . . , ZN de las que se desea estimar la FA Zk .
De manera similar al caso del kriging simple, se asume que las funciones aleatorias son
conjuntamente estacionarias de orden dos y las medias de cada una son conocidas:
E[Zi ] = mi
i = 1, . . . , N
Cov[Zi (x), Zj (x + h)] = Cij (h) i, j = 1, . . . , N
El estimador de Zk (x) sera una combinacion lineal de las variables aleatorias en los sitios de
observacion de las N funciones aleatorias:
Zk = a +
ni
N X
X
i Zi (xi )
(10.11)
i=1 =1
donde xi , = 1, . . . , ni , i = 1, . . . , N es el conjunto de los sitios de observacion para cada una

de las N funciones aleatorias.
La restriccion de insesgo impone que:
a = mk
ni
N X
X
i mi
(10.12)
i=1 =1
El criterio de optimalidad es minimizar la varianza del error de estimacion, que conduce al

sistema de cokriging simple:
PN
j=1
Pnj
Cij (xi xj ) = Cik (xi x) i = 1 . . . N, = 1 . . . ni
Al resolver este sistema se obtiene los ni xN ponderadores que minimizan la varianza del error
de estimacion, cuya expresion es:
2
cks
(x, k) = Ckk (0)
ni
N X
X
i Cik (xi x)
(10.13)
i=1 =1
Para estimar las variables secundarias, basta con reordenar el lado derecho del sistema de
manera apropiada.
Es necesario entender que en la estimacion por cokriging, la u
nica relacion asumida entre las
variables es la covarianza cruzada y ninguna hipotesis o decision es adoptada con respecto a
la relacion entre los valores de las variables directamente.
168
10.2.
Anexo B: Comparaci
on de los modelos
10.2.1.
Curvas tonelaje-ley por realizaciones
Figura 10.1: Curvas tonelaje-ley por realizaciones.
169
Perfiles por realizaciones de leyes EW

3.00
% Perfil leyes Modelo 1 EW
3.00
2.50
3.00
2.50 P1-P99
% Perfile leyes Modelo 2 EW
3.00
2.50
2.50 P1-P99
2.00
2.00
1.50
1.50
P10-P90
P25-P75
2.00
2.00
1.50
1.50
1.00
1.00
1.00
1.00
0.50
0.50
0.50
0.50
0.00
0.00
0.00
0.
100.
200.
Ley cut %
Ley cut %
P10-P90
P25-P75
300.
0.00
0.
100.
Este
3.00
200.
300.
Este
3.00
2.50
3.00
2.50 P1-P99
3.00
2.50
2.50 P1-P99
2.00
2.00
1.50
1.50
P10-P90
P25-P75
2.00
2.00
1.50
1.50
1.00
1.00
1.00
1.00
0.50
0.50
0.50
0.50
0.00
0.00
0.00
0.
100.
200.
Ley cut %
Ley cut %
P10-P90
P25-P75
300.
0.00
0.
100.
Este
3.00
200.
300.
Este
3.00
2.50
3.00
2.50 P1-P99
3.00
2.50
2.50 P1-P99
P10-P90
P25-P75
2.00
2.00
1.50
1.50
1.00
0.50
0.00
0.
100.
200.
P10-P90
P25-P75
2.00
2.00
1.50
1.50
1.00
1.00
1.00
0.50
0.50
0.50
0.00
0.00
Ley cut %
Ley cut %
10.2.2.
300.
0.00
0.
Este
100.
200.
300.
Este
Figura 10.2: Perfiles por realizaciones de leyes EW.
170
Perfiles por realizaciones de leyes NS

3.00
% Perfil leyes Modelo 1 NS
3.00
2.50
3.00
2.50 P1-P99
% Perfile leyes Modelo 2 NS
3.00
2.50
2.50 P1-P99
2.00
2.00
1.50
1.50
P10-P90
P25-P75
2.00
2.00
1.50
1.50
1.00
1.00
1.00
1.00
0.50
0.50
0.50
0.50
0.00
0.00
0.00
0.
100.
200.
300.
400.
Ley cut %
Ley cut %
P10-P90
P25-P75
500.
0.00
0.
100.
200.
Norte
3.00
300.
400.
500.
Norte
3.00
2.50
3.00
2.50 P1-P99
3.00
2.50
2.50 P1-P99
2.00
2.00
1.50
1.50
P10-P90
P25-P75
2.00
2.00
1.50
1.50
1.00
1.00
1.00
1.00
0.50
0.50
0.50
0.50
0.00
0.00
0.00
0.
100.
200.
300.
400.
Ley cut %
Ley cut %
P10-P90
P25-P75
500.
0.00
0.
100.
200.
Norte
3.00
300.
400.
500.
Norte
% Perfil de leyes Modelo 5 NS
3.00
2.50
3.00
2.50 P1-P99
% Perfil de leyes Modelo 6 NS
3.00
2.50
2.50 P1-P99
P10-P90
P25-P75
2.00
2.00
1.50
1.50
1.00
0.50
0.00
0.
100.
200.
300.
400.
P10-P90
P25-P75
2.00
2.00
1.50
1.50
1.00
1.00
1.00
0.50
0.50
0.50
0.00
0.00
Ley cut %
Ley cut %
10.2.3.
500.
0.00
0.
Norte
100.
200.
300.
400.
500.
Norte
Figura 10.3: Perfiles por realizaciones de leyes NS.
171
Perfiles por realizaciones prop. BXT EW

% Perfil Prop. BXT M2 EW
1.00
1.00
1.00
P1-P99
1.00
0.60
0.60
0.20
-0.20
0.
100.
200.
0.60
0.60
0.20
0.20
0.20
-0.20
-0.20
300.
-0.20
0.
100.
200.
Este
Este
1.00
1.00
300.
1.00
P1-P99
1.00
P10-P90
P25-P75
0.60
0.20
-0.20
0.
100.
200.
0.60
0.60
0.20
0.20
0.20
-0.20
-0.20
300.
-0.20
0.
100.
Este
200.
300.
Este
1.00
1.00
P1-P99
Prop BXT
P10-P90
P25-P75
0.60
0.60
0.20
0.20
-0.20
-0.20
0.
100.
P1-P99
P10-P90
P25-P75
Prop BXT
0.60
P1-P99
P10-P90
P25-P75
Prop BXT
Prop BXT
P10-P90
P25-P75
Prop BXT
10.2.4.
200.
300.
Este
Figura 10.4: Perfiles por realizaciones de proporcion BXT EW.
172
Perfiles por realizaciones prop. BXT NS

Perfil Prop. BXT M3 NS
0.80
0.80 P1-P99
0.80
0.80 P1-P99
0.60
0.60
0.60
0.60
0.40
0.40
0.40
0.40
0.20
0.20
0.20
0.20
0.00
0.00
P10-P90
P25-P75
0.00
-0.
100.
200.
300.
400.
500.
600.
Prop BXT
Prop BXT
700.
P10-P90
P25-P75
0.00
-0.
100.
200.
Norte
300.
400.
500.
600.
700.
Norte
0.80
0.80 P1-P99
0.80
0.80 P1-P99
0.60
0.60
0.60
0.60
0.40
0.40
0.40
0.40
0.20
0.20
0.20
0.20
0.00
0.00
0.00
-0.
100.
200.
300.
400.
500.
600.
Prop BXT
P10-P90
P25-P75
700.
P10-P90
P25-P75
0.00
-0.
100.
200.
Norte
300.
400.
500.
600.
700.
Norte
Prop BXT
Prop BXT
10.2.5.
0.80
0.80 P1-P99
0.60
0.60
0.40
0.40
0.20
0.20
P10-P90
P25-P75
0.00
0.00
-0.
100.
200.
300.
400.
500.
600.
700.
Norte
Figura 10.5: Perfiles por realizaciones de proporcion BXT NS.
173

Memoria Los - Bronces

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

Memoria Los - Bronces

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE CHILE

FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

SIMULACION CONJUNTA DE UNIDADES GEOLOGICAS Y LEYES DE COBRE

TESIS PARA OPTAR AL GRADO DE MAGISTER EN

ALEJANDRO MANUEL CACERES SAAVEDRA

1.2. Hipotesis de trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3. Objetivo general

1.3.1. Objetivos especficos . . . . . . . . . . . . . . . . . . . . . . . . . . .

2. Estado del arte

2.1. Modelamiento geologico tradicional . . . . . . . . . . . . . . . . . . . . . . .

2.2. Simulaciones geoestadsticas . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.1. Ejemplo introductorio a las simulaciones . . . . . . . . . . . . . . . .

2.2.2. Simulacion de variables continuas . . . . . . . . . . . . . . . . . . . .

2.2.3. Simulacion de variables categoricas . . . . . . . . . . . . . . . . . . .

2.2.4. Control geologico en simulacion de variables petrofsicas

2.2.5. Aproximaciones a la cosimulacion de variables categoricas y continuas

3.1. Bases de la geoestadstica . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1.1. Conceptos fundamentales . . . . . . . . . . . . . . . . . . . . . . . . .

3.2. Estimacion o prediccion espacial . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.1. Analisis exploratorio de datos . . . . . . . . . . . . . . . . . . . . . .

3.2.2. Analisis estructural geoestadstico . . . . . . . . . . . . . . . . . . . .

3.3.1. Tipos de simulaciones

3.3.2. Modelo Multigaussiano . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.3. Puesta en marcha practica de la (co)simulacion gaussiana . . . . . . .

3.3.4. Simulacion de variables categoricas . . . . . . . . . . . . . . . . . . .

4.1. Simulacion de leyes sin control geologico . . . . . . . . . . . . . . . . . . . .

4.2. Simulacion de leyes con control geologico determinstico . . . . . . . . . . . .

4.3. Simulacion independiente de leyes y unidades geologicas . . . . . . . . . . . .

4.4. Cosimulacion de leyes y geologa utilizando simulacion secuencial gaussiana y

4.5. Cosimulacion de leyes y geologa utilizando gaussiana truncada . . . . . . . .

4.6. Simulacion conjunta de leyes y UG con incorporacion de conocimiento adicional 56

5.1. Geologa del sector Sur-Sur del deposito Ro Blanco-Los Bronces . . . . . . .

5.1.2. Geologa local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.1.3. Geologa del sector Sur-Sur . . . . . . . . . . . . . . . . . . . . . . .

5.2. Analisis exploratorio de datos . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.1. Base de datos a utilizar . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.2. Ubicacion espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.3. Distribucion espacial de litologas . . . . . . . . . . . . . . . . . . . .

5.2.4. Estadsticas basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.5. Relacion espacial de unidades y leyes . . . . . . . . . . . . . . . . . .

5.3. Aspectos de la implementacion de los modelos . . . . . . . . . . . . . . . . .

5.3.1. Grilla de simulacion y muestras condicionantes . . . . . . . . . . . . .

5.3.2. Parametros de simulacion . . . . . . . . . . . . . . . . . . . . . . . .

5.4. Simulacion de leyes sin control geologico . . . . . . . . . . . . . . . . . . . .

5.5. Simulacion de leyes con control geologico determinstico . . . . . . . . . . . .

5.6. Simulacion independiente de leyes y unidades geologicas . . . . . . . . . . . .

5.6.1. Codificacion de unidades geologicas . . . . . . . . . . . . . . . . . . .

5.6.2. Bandera de truncacion . . . . . . . . . . . . . . . . . . . . . . . . . .

5.6.3. Modelamiento del variograma del indicador de BXT . . . . . . . . . .

5.6.4. Obtencion de valores gaussianos en los sitios de muestreo . . . . . . .

5.6.5. Simulacion de la funcion aleatoria gaussiana y truncacion . . . . . . .

5.7. Cosimulacion de leyes y geologa: modelo SGS-SIS . . . . . . . . . . . . . . .

5.7.1. Codificacion de datos en indicadores . . . . . . . . . . . . . . . . . .

5.7.2. Transformacion de leyes de cobre . . . . . . . . . . . . . . . . . . . .

5.7.3. Variografa conjunta (directa) de leyes de cobre e indicador de BXT .

5.7.4. Cosimulacion indicador BXT y ley de cobre . . . . . . . . . . . . . .

5.8. Cosimulacion de leyes y geologa: modelo SG-GT . . . . . . . . . . . . . . .

5.8.1. Codificacion de UG y bandera de truncacion . . . . . . . . . . . . . .

5.8.2. Transformacion de leyes de cobre . . . . . . . . . . . . . . . . . . . .

5.8.3. Variografa conjunta (indirecta) de leyes de cobre e indicador de BXT

5.8.4. Obtencion de valores gaussianos en los sitios de muestreo . . . . . . .

5.8.5. Cosimulacion de las funciones aleatorias gaussianas . . . . . . . . . .

5.9. Simulacion conjunta de leyes y UGs con incorporacion de conocimiento adicional 99