Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La Simulacion Condicional
La Simulacion Condicional
un Depósito Minero.
por
2008
Una cita:
Los métodos llamados de simulación – muy utilizados, en particular, en el dominio de las ciencias
económicas – consisten en construir un modelo matemático de un fenómeno natural. Estas
simulaciones permitirán de controlar el valor de las ideas teóricas que han servido de base para la
construcción del modelo – porque se puede examinar en qué medida las propiedades deducidas del
estudio matemático del modelo imitan, o simulan, las propiedades del fenómeno real. Inversamente,
las simulaciones pueden conducir al descubrimiento de nuevas leyes acerca del fenómeno real, la
experimentación es infinitamente más fácil de realizar sobre un modelo puramente matemático. Sería
interesante para el geoestadístico saber construir modelos numéricos de yacimientos mineros, es decir,
ser capaz de alinear series de cifras, las cuales presentan las mismas características que las que se
piensa atribuir a la sucesión en el espacio de las leyes de un yacimiento real.
Otra cita:
- - 1
LA SIMULACION DE LEYES EN UN DEPOSITO MINERO.
I. Introducción.
- - 2
Figura 1: Dos simulaciones condicionales en el espacio de una dimensión. La simulación coincide con
la realidad donde ésta es conocida, es decir en los puntos x1, x2, ..., xN. La realidad está constituida por
las leyes z(x1), z(x2), ... , z(xN) en los puntos condicionantes. Simulación y realidad tienen las mismas
estadísticas (histograma, media y varianza) y el mismo variograma.
Existe toda una matemática que permite obtener realizaciones condicionales de una
función aleatoria, con las condiciones mencionadas, tal como veremos más adelante.
El ejemplo siguiente (M. Alfaro, 1979) muestra bien la diferencia entre estimación y
simulación condicional y ha sido reproducido en varias publicaciones acerca de la
simulación condicional (ver C. Lantuéjoul 2001, J. P. Chilés y P. Delfiner, 2000):
Estimación versus simulación: Sobre una línea L se conoce la profundidad z(x) del
mar cada 10 m. Nos proponemos resolver el problema siguiente: si se conoce la
profundidad del mar cada 100 m (ver figura 2), ¿Cuál es la longitud de un cable
submarino que debe reposar sobre el fondo del mar?
- - 3
Si se observa la figura, se ve bien que el krigeado (u otro estimador) subestima la
longitud del cable y que la simulación condicional responde bien a nuestro problema.
Figura 2: Cálculo de la longitud de un cable submarino el cual debe reposar en el fondo del mar. Con
el krigeado quedamos “cortos de cable” (a) datos iniciales, (b) krigeado, (c) perfil verdadero, (d) perfil
simulado. Corresponde a la instalación de un cable submarino en el sur de España.
- - 4
Realidad Longitud real Simulación Longitud
acumulada zs(x) simulada
acumulada
1er dato 146 146
143 10.4 130 18.9
142 20.5 125 30.1
148 32.1 111 47.2
134 50.4 114 57.7
141 62.6 123 71.1
127 79.8 109 88.3
132 91.0 109 98.3
111 114.2 108 108-4
94 133.9 102 120.0
2º dato 86 146.8 86 138.9
104 167.3 83 149.4
121 187.1 96 165.8
136 205.1 108 181.4
140 215.9 121 197.7
156 234.7 135 215.0
168 250.3 149 232.2
167 260.4 170 255.4
171 271.2 164 267.1
185 288.3 167 277.5
3er dato 194 301.8 194 306.3
Se tiene entonces:
Este ejemplo nos muestra que la simulación condicional no debe ser utilizada para
estimar la variable regionalizada. En efecto, por ejemplo, en el punto x0 de la figura
2, es mejor estimar la profundidad del mar por el krigeado que por la simulación.
Los dos ejemplos presentados se refieren a leyes de mineral pero se puede simular
otro tipo de variables (potencia mineralizada, porosidad de la roca, densidad de la
roca., etc...).
- - 5
Figura 3: Simulación condicional en un banco de una mina de cobre a cielo abierto. Se observa que la
simulación respeta el histograma (las zonas de baja ley son más que las zonas de alta ley) y reproduce
las anisotropías (por intermedio del variograma). Se observa también la presencia de un efecto de
pepita que el krigeado no puede reflejar. La simulación puede ser conocida en cualquier punto del
depósito, en este caso, en una malla de 2 metros x 2 metros.
- - 6
Figura 4: Simulación condicional de la potencia mineralizada en un manto correspondiente a una mina
de fosfatos. Se observa el alisamiento producido por el krigeado.
El objetivo de construir 100 simulaciones del manto (potencia y ley) fue para estudiar
la variabilidad de los índices económicos del proyecto, los cuales dependen, de
manera importante del tonelaje y de la ley. Sin las simulaciones se tendría un solo
valor para la potencia y para la ley... Con las 100 simulaciones se tienen 100
realizaciones de valores presentes netos los cuales permiten caracterizar,
probabilísticamente los índices económicos del proyecto minero.
- - 7
Figura 5: Simulación condicional de las leyes de fosfato P2O5.
- - 8
Figura 6: Simulación no condicional de la luna. La línea horizontal en el gráfico de la derecha
representa la varianza de la realización. Se observa que las fluctuaciones de los variogramas de las
diferentes realizaciones son enormes.
Figura 7: Simulación condicional de la luna. Las fluctuaciones de los variogramas de las realizaciones
son más moderadas.
- - 9
Figura 8: Realización no condicional de un conjunto aleatorio obtenido al aplicar un “valor de corte” a
una realización de una función aleatoria.
- - 10
Figura 9: Simulación del modelo gaussiano cortado. A la izquierda la realización gaussiana reducida
(colores claros indican valores altos, oscuros, valores bajos), a la derecha el conjunto aleatorio
resultante con 4 unidades, definidas por los intervalos.
Brecha ⊂ C5 ⊂ C1 ⊂ estéril
- - 11
Figura 10: Simulación condicional de la geología en un banco de un depósito de cobre. Existen 4
facies: Brecha, C5 , C1 y estéril.
- - 12
Las plurigaussianas.
Sean dos funciones aleatorias independientes Y1(x, y) e Y2(x, y) las cuales son
gaussianas reducidas y toman sus valores (Y1 , Y2) en el plano, el cual ha sido
“particionado” en zonas D1, D2, D3, ... , las cuales se pintan con ciertos colores:
Figura 11: Partición del espacio . El punto (Y1 , Y2) cae en la zona verde.
Como estas funciones aleatorias están indexadas con las coordenadas (x, y), a cada
punto (x, y) se le asocia el color del punto (Y1 , Y2).
La figura siguiente muestra un ejemplo. En la parte superior (en verde) aparecen las
gaussianas reducidas Y1(x, y) e Y2(x, y) (los colores claros indican valores altos, los
oscuros, valores bajos). El variograma de Y1(x, y) corresponde al modelo gaussiano
isótropo, mientras que el variograma de Y2(x, y) corresponde a un modelo esférico
isótropo. Más abajo se tienen varias simulaciones correspondientes a diferentes
particiones (o “banderas”) del espacio.
- - 13
Figura 12: Simulaciones no condicionales del modelo plurigaussiano.
- - 14
La figura siguiente muestra una simulación condicional de leyes de cobre en un banco
de la mina Los Bronces. La limitación de esta simulación es que el modelo geológico
no ha sido simulado, se asume determinístico:
Figura 14: Simulación condicional en un banco de una mina de cobre. A la derecha, el modelo
geológico, el cual no ha sido simulado. Cada dominio geológico tiene un variograma diferente.
¿Conviene simular los dominios geológicos?
- - 15
II. Objetivos de realizar una simulación condicional.
- - 16
• Estudiar la dilución y la selectividad de un modelo de bloques. Elegir un
tamaño de bloque adecuado (ver la figura 16).
Figura 16: Dos alternativas para explotar una zona. ¿Qué es mejor, desde el punto de vista de las
leyes de mineral? bancos simples con cuatro cargadoras o bancos dobles con dos palas. El modelo
krigeado y su “re-bloqueo” no sirven para resolver este problema.
- - 17
• Contribuir al estudio de la categorización de los recursos mineros. Dar un
sentido más preciso, respecto de la variabilidad de las leyes, a las zonas
medidas, indicadas e inferidas.
Figura 17: Modelo de bloques de 20x20x15 m3 en una mina de óxidos de cobre explotada a cielo
abierto (El Tesoro). Se producen aproximadamente 2 bloques por día. Los 102 bloques (51 días de
producción) fueron evaluados por el método del krigeado.
- - 18
Figura 18: Ley diaria CuT (proveniente del modelo de bloques de la figura 17). La curva en azul
no sirve para predecir las fluctuaciones de leyes a la entrada de la planta. Los peaks de leyes son
importantes en la planta de tratamiento.
- - 19
Figura 19: Simulación condicional y krigeado. El krigeado establece que en la parte norte las
impurezas tienen leyes inferiores a 0.8% de alcalinos. La simulación nos indica que podrían existir
problemas, los cuales hay que tener presente en la planificación.
- - 20
Figura 20: Dos alternativas de explotación de un banco. Con un frente y con dos frentes.
Para ver si la explotación con dos frentes disminuye las fluctuaciones de las leyes de
arsénico a la entrada de la planta, se construyó una simulación condicional. La figura
21 muestra las leyes de arsénico diarias para las dos alternativas, se ha graficado
además la ley crítica de 130 ppm de arsénico:
- - 21
Figura 21: Leyes de arsénico diarias. La ley crítica es de 130 ppm.
La conclusión es que con 2 frentes se mejoran las fluctuaciones pero igual resulta
inaceptable, luego hay que poner un sistema de mezcla a la entrada de la planta de
tratamiento.
- - 22
Figura 22: Un perfil vertical en mina subterránea El Soldado. Leyes de cobre. Se observan cambios
abruptos de leyes. En la zona vertical derecha no hay información.
Figura 23: Krigeado de la zona anterior. En verde sectores en los cuales la ley estimada es mayor que
la ley de corte. ¿Existe un halo mineralizado?
- - 23
La única forma de saber si existe un halo mineralizado es comparar la estimación del
krigeado con la realidad de este perfil. Como no se conocía esta realidad se decidió
construir una simulación condicional la cual sería la “referencia” o la “realidad”.
La figura 24 muestra la simulación condicional de la zona:
Figura 24: Simulación condicional del perfil (en una malla de 1m x 1m). En verde zonas con ley
superior a la ley de corte.
La simulación condicional llevada a bloques aparece en la figura 25, la cual hay que
comparar con la figura 23:
- - 24
Figura 25: Bloques simulados. Existen algoritmos que permiten simular directamente los bloques, sin
pasar por la simulación de “puntos”.
Se observa que el krigeado produce un halo de mineral (en otros términos las leyes se
“desparramaron”) en la zona vertical derecha, zona en la cual las leyes se
extrapolaron, y que este método de estimación funciona bien en las otras zonas donde
las leyes se interpolaron.
- - 25
Como conclusión resulta que es peligroso extrapolar (extrapolar es como conducir un
vehículo hacia adelante basándose exclusivamente en los espejos retrovisores). La
zona de extrapolación debería ser categorizada como “inferida”. Por consiguiente, no
se puede planificar con leyes inferidas.
Figura 28: Simulación condicional del contacto mineral estéril. Se produce una dilución en la
parte inferior del bloque.
- - 26
III. Métodos de Simulación
(1) Yi = ∑ f (kb) wi + k
k
- - 27
(esta suma puede ser simple, doble o triple; b es el paso de la malla). Es fácil de ver
que para cada función f se tiene un variograma diferente.
En la figura 29 se tiene una grilla muy densa con valores normales con media 0 y
varianza 1 (llamada también normal reducida). A cada punto de la grilla se le asocia
la suma ponderada siguiente, la cual se realiza sobre todos los puntos que caen dentro
de la elipse E:
∑
( xi , y j )∈ E
W ( xi , y j )
Z ( x, y ) =
n
Siendo n el número de puntos que caen dentro de la elipse E. Es fácil probar que
Z(x, y) también sigue una ley normal reducida.
Figura 29: Simulación por medias móviles en el espacio de 2 dimensiones. Hay que imaginar como
funciona el método en el espacio de 3 dimensiones.
- - 28
⎧1 si x pertenece a una esfera de diámetro a
f ( x) = ⎨
⎩0 en caso contrario
Se puede demostrar, sin dificultad que obtiene en este caso el variograma esférico,
con alcance a.
Si se desea simular en 2-D un variograma esférico, hay que tomar un plano particular
de la simulación precedente.
En el caso de simular un modelo esférico (en 2-D o en 3-D), existe un método más
eficiente conocido como las monedas aleatorias, el cual consiste en implantar en el
plano (espacio) círculos (esferas) cuyos centros y diámetros son aleatorios y asignar
en cada implantación un número (aleatorio o no) a los puntos interiores, sumando la
contribución de las implantaciones (ver figura 30). En el espacio de 2 dimensiones el
- - 29
radio del círculo es aleatorio, en 3 dimensiones el diámetro de la esfera es una
constante a (este método se llama también “random token” o “monedas aleatorias”;
para mayores detalles, ver M. Alfaro, 1980).
Figura 31: Monedas aleatorias. A la izquierda contribución con 4 círculos, a la derecha, contribución
con 600 círculos.
k
1
Y ( x) =
k
∑Y (x ⋅ e )
i =1
i i
En que ( x ⋅ ei ) es el producto escalar entre el vector x (de componentes x1, x2, x3)
y el vector unitario ei :
- - 30
Figura 32: Líneas rotantes en 2D y 3D.
Para tener una buena convergencia, es necesario utilizar por lo menos unas 50 rectas
aleatorias en 2 – D y unas 120 rectas aleatorias en 3 – D. También se pueden
utilizar rectas uniformemente distribuidas en 2D o 3D. La situación es ligeramente
más complicada en 3D (ver C. Lantúejoul, 2001).
Se puede demostrar que para simular mediante líneas rotantes el variograma esférico
hay que utilizar en las rectas la función f(x) (aplicada a la ecuación 1) siguiente:
⎧ x si x ∈ (-b, b)
f ( x) = ⎨
⎩0 si x ∉ (-b, b)
Para simular el variograma exponencial, hay que utilizar en las rectas la función f(x)
siguiente:
⎧(1 − ax)e − ax si x ≥ 0
f ( x) = ⎨
⎩0 si x < 0
- - 31
IV. La Simulación Condicional.
Falta por analizar cómo se obtiene que el valor simulado en un punto xi coincida con
el dato localizado en este punto (x1, x2, . . . , xN).
Z1 ( x ) = Z k 1 ( x) + ⎡⎣ Z S ( x) − Z k 2 ( x) ⎤⎦
En que:
zk1(x) es el krigeado en el punto x, utilizando los datos disponibles en los puntos x1,
x2, . . . , xN . Sin embargo, para garantizar la reproducción del variograma, la
interpolación debe corresponder al krigeado simple (no al krigeado ordinario).
- - 32
Figura 33: El krigeado es un interpolador exacto (pasa por los datos).
Entonces la simulación condicional coincide con los datos en los puntos x1, x2, . . . ,
xN .
Las figuras siguientes resumen las etapas para obtener una simulación que hace
“honor” a los datos:
- - 33
Figura 36: Simulación no condicional, la cual se muestrea en los mismos puntos donde se conocen los
datos.
Figura 37: Se krigea la simulación no condicional y se hace la diferencia entre esta simulación y el
krigeado. Observar que esta diferencia es nula en las coordenadas de los datos.
Figura 38: Al krigeado de los datos se le suma la diferencia anterior. Esta es la simulación final.
- - 34
Figura 39: Anamorfosis gaussiana. En rojo, ley normal reducida, en azul, histograma acumulado
experimental. La anamorfosis gaussiana presenta problemas importantes en las “colas” de la
distribución.
- - 35
Figura 40: Agrupación de datos en zonas de alta ley en el Salar de Atacama la variable regionalizada
es la ley de litio. Las características estadísticas (media, varianza, histograma) están sesgadas porque
las zonas de mayor ley tienen mayor reconocimiento (¿está sesgado el variograma?).
Existen, principalmente, dos métodos para desagrupar los datos: método de los
polígonos y método de las celdas, los cuales se pueden revisar en el Anexo 1.
- - 36
V. Referencias.
- - 37
Anexo 1
Figura A-1: Agrupación de datos en zonas de alta ley en una mina de yodo. Vista de las
muestras en una planta.
- - 38
a) Método de los polígonos, el cual consiste en asignar a cada muestra un
peso proporcional al área de su polígono de influencia. El método de los
polígonos asigna, a cada punto del espacio, la ley del dato más cercano a
este punto.
Figura A-2: Método de desagrupación por polígonos aplicado a leyes de litio en el Salar de
Atacama. A cada dato se le asocia un peso igual a su área de influencia. En 3D hay que utilizar
volúmenes.
- - 39
Figura A-3: Método de las celdas. Se considera un valor por celda, el cual es sorteado al azar
en cada celda entre las k muestras interiores (las celdas vacías no se consideran). x0 es
el origen (variable) del conjunto de celdas.
Una variante de este método consiste en calcular, para cada celda, el promedio
de datos interiores. Sin embargo, esta alternativa produce un cierto
suavisamiento de las leyes retenidas (en aquellas celdas que tienen más de un
dato).
- - 40
En el caso en que la agrupación se produce en zonas de alta ley, se puede hacer
variar el tamaño a de la celda y construir el gráfico siguiente de la ley media
m en función del tamaño de celda a:
Figura A-4: Determinación del tamaño óptimo de celda. Para obtener un buen gráfico, es
necesario cambiar al azar el origen x0 de la figura A-3.
- - 41
La ley media aritmética es 11 / 7 es decir:
m = 1.57
Consideramos que este valor es muy alto. Como la media aritmética atribuye un
peso igual a 1 / N (en que N es el número de datos) a cada dato, las 4
muestras altas tienen un peso de 4 / 7 , es decir un 57%, cuando sólo
representan algo más de un 25% del área.
Se observa que las 4 muestras de la zona noroeste tienen ahora un peso más
bajo, obteniéndose ahora el valor más razonable:
mP = 1.36
Apliquemos ahora el método de las celdas, con una celda de tamaño 50mx50m.
Se obtienen 4 celdas y se pueden tener 4 casos según sea el valor sorteado en
la celda superior izquierda:
- - 42
Figura A-7: Desagrupación por el método de las celdas. Ninguno de los valores obtenidos es
convincente.
m = 1.25
El método correcto que habría que utilizar para desagrupar debería ser el
krigeado, sin embargo, debido a la agrupación de datos, el variograma no es
muy confiable.
- - 43