TT-223
Determinación de Altura de Banco Óptimo con
Simulación Geoestadística
Oscar Retto Magallanes1
RESUMEN
La definición de altura de bancos en proyectos
mineros de explotación a cielo abierto es una
tarea que involucra conceptos técnicos y
económicos de importancia que tienen un
impacto positivo o negativo en el beneficio
económico de un proyecto.
El objetivo de este estudio es de determinar la
altura de banco óptimo basado en simulación
geoestadística. El estudio no incluye la
evaluación de parámetros técnicos como
factores geotécnicos, tamaño de equipos de
acarreo de mineral, entre otros.
Con este trabajo se pretende mostrar que las
técnicas geoestadísticas no solo son útiles en
la estimación de modelos, sino también
pueden ayudar a optimizar procesos mineros
que conlleven a maximizar el beneficio
económico e involucren una eficiente
extracción de mineral.
Este estudio analiza el impacto de distintas
altura de bancos en la distribución de modelos
de mineral e investiga la variación económica
de las distintas configuraciones o alturas de
bancos a través de curvas de ley, tonelaje y
valor neto en un proyecto simulado.
Para el estudio se tomó la información de un
sector de un depósito tipo pórfido de cobre. La
zona seleccionada representa 228 Mt de
mineral y desmonte extraíbles en 5 años de
operación solo en este sector.
El estudio consistió en simular dentro del
sector seleccionado nodos regulares para
generar modelos de bloques a distintas
dimensiones verticales. Los modelos fueron
utilizados para evaluar modelos de leyes,
tonelajes y valor neto dentro de tajos
económicos.
El análisis muestra que la altura de banco
correspondiente a 10 metros es la que
maximiza el valor neto del proyecto.
(1) Director y Consultor Principal – OREDELTA
Email: oretto@oredelta.com
PERUMIN - 32 Convención Minera
INTRODUCCION
El estudio se basa en un sector de un
depósito mineral tipo pórfido de cobre que
incluye tres unidades litológicas y 529 taladros
simulados. La zona de estudio incluye material
a ser removido en 5 años de explotación de
mineral y desmonte.
El estudio consiste en simular leyes de cobre
en una zona del depósito expresados en
nodos regulares espaciados ortogonalmente
cada 2 metros en el espacio 3D. Estos son
representados en un modelo de bloques de
dimensiones de 700x700x200 metros en las
direcciones este, norte y vertical
respectivamente. El modelo de bloques
simulado es reagrupado o rebloqueado en
modelos a distintas configuraciones.
El algoritmo de simulación usado fue la de
simulación gaussiana secuencial (SGS)
condicionante. Con este algoritmo fue posible
generar 10 realizaciones para cada una de las
tres unidades litológicas, de las cuales se
eligió una realización por cada unidad
litológica y se representó en un modelo global
simulado.
A partir del modelo simulado se generaron 6
modelos de bloques con distintas
configuraciones o altura de banco y
posteriormente procesados para generar 6
tajos económicos que servirán para evaluar el
beneficio económico de cada una de estos
escenarios.
Los cálculos de simulación fueron realizados
con rutinas GSLIB, el análisis estadístico y
compilación de información espacial con el
software Isatis y la evaluación económica con
Minesight.
METODOLOGIA
La metodología del estudio considera los
siguientes pasos:
 Definición de la zona de estudio dentro de
un potencial proyecto minero a cielo abierto.
Esto incluye límites razonables de
1
 procesamiento computacional que
involucren el minado de desmonte y mineral
y que representen múltiples años de
producción.
 Análisis estadístico de datos. El análisis
comprende el desagrupamiento de datos o
declustering.
 Transformación de datos a distribución
gaussiana normal utilizando la técnica
“score normal”.
 Cálculo variográfico de la data transformada
 Simulación condicional utilizando el
algoritmo simulación gaussiana secuencial.
Validación y elección de la mejor
realización.
 Rebloqueo de la data simulada a distintas
configuraciones o dimensiones verticales
expresados en 6 modelos de bloques.
 Generación de tajos de explotación posible
(conos).
 Análisis de resultados.
DESARROLLO DEL ESTUDIO
Definición de la Zona de Estudio
El estudio se basa en un depósito mineral que
comprende tres unidades litológicas e incluye
zonas de pórfido (PF), brecha (BX) y pórfido
lixiviado (PFL). La zona contiene 529 taladros
simulados de 200 metros de profundidad y
espaciados regularmente cada 30 metros
como se muestra en la Figura 1.
Figura 1: Taladros Simulados
PERUMIN - 32 Convención Minera
La zona seleccionada comprende una
extensión de 700 metros en la dirección este,
700 metros en la dirección norte y 200 metros
en la dirección vertical y representa una
hipotética extracción de mineral y desmonte
de aproximadamente 228 millones de
toneladas de material por 5 años.
Previo al análisis estadístico, se hizo un
análisis de contacto para definir los dominios
de simulación, estos presentaron contactos
duros por lo que el estudio comprendió la
simulación de tres unidades litológicas por
separado.
La definición de dominios tuvo por objeto
aislar áreas con distribución de leyes de cobre
similares y evitar su influencia entre zonas de
baja y alta ley. Se tomó en consideración que
cada dominio tiene que guardar los conceptos
de estacionariedad e hipótesis intrínseca el
cual contiene una sola distribución estadística
con un variograma característico. Esto se
realizó en base a la información de los
taladros simulados.
Análisis Estadístico
Los dominios empleados son las que
corresponden a las unidades litológicas
pórfido (PF), brecha (BX) y pórfido lixiviado
(PFL). El análisis estadístico del cobre
presenta una ley media de 0.10, 0.40 y 0.75
%Cu para las zonas PFL, BX y PF
respectivamente (Figura 2).
El análisis estadístico de muestras reveló un
sesgo de leyes altas que fue necesario tratar
para reducir su impacto en el proceso de
simulación. Las distribuciones sesgadas de
leyes tienen la propiedad que una pequeña
proporción de muestras pueden representar
desproporcionadamente grandes cantidades
de metal. Un limitado número de estas
muestras pueden introducir incertidumbres
significativas en un modelo de bloques. Por tal
razón, es de práctica común acortar las leyes
altas para disminuir el riesgo de afectar los
cálculos.
Con el fin de minimizar la influencia del
agrupamiento de valores y debido a que el
proceso de simulación no realiza el
desagrupamiento como lo hacen las técnicas
de estimación, se realizó el desagrupamiento
(declustering) de la data. El método usado fue
el desagrupamiento por celdas, el cual
consistió en realizar la comparación entre
diferentes tamaños de celda con la media
desagrupada para cada caso.
2
 Figura 2 Histograma de Cu por Zona
Transformación de Datos
Los datos de Cu desagrupados fueron
llevados al espacio gaussiano donde la data
transformada presenta una media de 0 y
varianza de 1. Este proceso fue utilizado para
cada uno de los dominios litológicos.
Variografía de Data Tansformada
Los variogramas fueron calculados con la data
transformada a distribución gaussiana. Debido
a que la simulación es muy sensible a los
parámetros variográficos como alcance y
efecto pepita, se prestó atención a las
estructuras cercanas al origen. La Figura 3
PERUMIN - 32 Convención Minera
muestra los variogramas ajustados con sus
respectivas direcciones. El criterio para
determinar las direcciones preferenciales de
los variogramas fueron las direcciones de
mineralización mostradas en las unidades
litológicas.
Figura 3 Variogramas de Data Transformada
Simulación Condicional
El algoritmo de simulación utilizada fue la de
simulación gaussiana condicional. El proceso
consiste en posicionarse en una ubicación
aleatoria y luego guardar la distribución y
variograma de la data condicionante vecina
así como de los previamente simulados (si los
3
hubiese). Luego usa simple kriging para
determinar los parámetros de media y
varianza y asignar un valor simulado en el
nodo con las condiciones retenidas. Este
proceso se repite hasta completar toda la
malla de simulación. Finalmente se realiza la
desnormalización o transformación de regreso
de la data simulada.
Debido a que los modelos simulados son
bloques regulares que no consideran la
superficie topografía, los modelos fueron
recortados siguiendo la superficie topográfica.
Figura 5: Modelos a Distintas Configuraciones

El estudio consideró una serie de

realizaciones de las cuales se tuvo que
seleccionar la más adecuada basado en
reconciliación estadística, variográfica y visual
entre las realizaciones y la información de
taladros (Figura 4). Se consideró la
generación de 10 realizaciones para cada
dominio litológico de las cuales las
realizaciones elegidas fueron la 8, 2 y 10 para
PFL, BX y PF respectivamente. La Tabla 1
muestra la comparación entre la data de
taladros y la data simulada para cada uno de
los dominios simulados. Excepto el dominio
PFL que alcanzó diferencia de 10% en ley
media, los dominios BX y PF mostraron
medias con precisión similar. Generación de Tajos Económicos

Cada uno de los modelos de bloques

Figura 4: Simulación de la Zona de Estudio generados fue usado para la generación de
conos económicos.

Los parámetros utilizados en los cálculos fue

de 3.00 US$/lb para precio de cobre. Costo de
proceso de 6.0 US$/ton, costo de mina de 2.0
US$/ton. Recuperación metalúrgica de cobre
de 85% y un ángulo de talud constante de 45°.

Adicionalmente, se usó un incremento del

costo de 0.01 US$/ton por profundidad de
banco y un modelo de densidades igual para
cada modelo rebloqueado.

La Figura 6 muestra el cono generado con el

modelo de 10x10x6 metros. La Tabla 2
muestra un resumen de los resultados
obtenidos para un cutoff de 0.1 % Cu para las
distintas configuraciones dentro de sus
Rebloqueo respectivos tajos económicos.
El rebloqueo consistió en agrupar nodos Figura 6: Modelo de Bloques de 10x10x6m y
simulados dentro de modelos de bloques con Cono Generado
distintas dimensiones verticales o altura de
bancos. Las alturas de banco consideradas
para el estudio fueron 6, 8, 10, 12, 14 y 16
metros pertenecientes a modelos de bloques
de 10x10x6, 10x10x8, 10x10x10, 10x10x12,
10x10x14 y 10x10x16 metros
respectivamente. Los modelos rebloqueados a
distintas configuraciones son mostrados en la
Figura 5.

PERUMIN - 32 Convención Minera 4

 Tabla 1 – Estadística por Dominios
Dominio Data Muestras Min Max Media Std Dev
PFL Taladro 579 0.01 1.11 0.10 0.11
PFL Simulada 942,549 0.00 1.12 0.09 0.09
BX Taladro 4,393 0.00 4.68 0.40 0.40
BX Simulada 6,900,310 0.00 4.68 0.40 0.37
PF Taladro 1,822 0.05 2.76 0.75 0.38
PF Simulada 2,716,302 0.02 2.78 0.75 0.36

Tabla 2: Valor Neto Generado por Modelos

ALTURA (m) TONELAJE LEY MEDIA (%) NV (US$)
6 172,189,205 0.558 3,994,169,330
8 174,458,111 0.557 4,041,499,277
10 174,864,362 0.556 4,045,185,361
12 171,139,067 0.558 3,985,689,711
14 174,361,470 0.555 4,030,361,307
16 172,752,767 0.556 4,005,645,862

Análisis Figura 8: Variación en Leyes

El análisis comparativo entre las distintas

alternativas dentro de los tajos económicos
muestra que la mayor y menor variación en
tonelaje se presenta entre las alturas de
banco de 10 y 12 metros (Figura 7), llegando
a alcanzar una diferencia de alrededor de 4
Mt. La diferencia de leyes entre las distintas
alternativas es poco significativa (Figura 8).

La diferencia en valor neto (VN) entre las

alternativas evaluadas (Figura 9) muestra que
el mayor VN es la generada por la altura de
banco de 10 metros. La que genera menor VN
es la alternativa de 12 metros. La diferencia Figura 9: Variación en Valor Neto
entre estas dos alternativas alcanza los 60M
de US$ aproximadamente.

Figura 7: Variación en Tonelajes

CONCLUSIONES

De acuerdo a los resultados obtenidos, la

altura de banco de 10 metros es la alternativa
con mayor valor neto del proyecto por lo que

PERUMIN - 32 Convención Minera 5

es la alternativa óptima frente a los otros
escenarios. Aunque su valor se ha alcanzado
con parámetros ideales y provienen solo de un
sector del depósito, los distintos valores netos
demuestran que su elección podría tener un
impacto de importancia en proyectos mineros
a cielo abierto similares.

El estudio demuestra que las herramientas de

simulación geoestadística pueden ser
empleadas también para optimizar procesos
en proyectos mineros. La metodología
empleada en este estudio también puede
servir para determinar el SMU de un proyecto
o las dimensiones de un modelo de recursos.

REFERENCIAS

Chiles, J and Delfiner, P, 2012. Geostatistics

Modeling Spatial Uncertainty, Second Edition.
Wiley Publication.

Deutsch, C and Journel, A, 1998. GSLIB

Geostatistical Software Library and User´s
Guide. Oxford University Press.

Dimitrakopoulos, R, 2014. Orebody Modelling

and Strategic Mine Planning. AusIMM.

Hall, B, 2014. Cut-off Grades and Optimising

the Strategic Mine Plan. Spectrum Series 20,
AusIMM.

Remy, N, Boucher, A and Wu, J, 2009.

Applied Geostatistics with SGeMS a User’s
Guide. Cambridge University Press.

Retto, O y Saez, F, 2013. Estudio de

Espaciamiento Optimo de Taladros Usando
Simulación Condicional en la Mina
Tantahuatay. VIII Congreso Internacional de
Prospectores y Exploradores – ProExplo 2013

Sinclair, A and Blackwell, G, 2002. Applied

Mineral Inventory Estimation. Cambridge
University Press.

PERUMIN - 32 Convención Minera 6