Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Nombre de la institución.
Nombre del departamento.
Nombre de la asignatura
2
ÍNDICE
1. Objetivos:.................................................................................................................................1
2.1 Aplicaciones....................................................................................................................1
2.2 Módulos...........................................................................................................................3
2.2.1 Variograma...................................................................................................................3
2.2.2 Kriging.......................................................................................................................11
2.2.3 Cokriging...................................................................................................................18
2.2.4 Herramientas..............................................................................................................27
2.3 Ventajas y Desventajas:.................................................................................................32
2.4 Video Aplicativo y/o uso del software...........................................................................33
3. Conclusiones..........................................................................................................................33
4. Recomendaciones..................................................................................................................33
5. Referencias............................................................................................................................33
3
Resumen
1. Objetivos:
ISATIS.
Interpretar los resultados obtenidos a través del software minero ISATIS.
Visualizar los datos obtenidos a través del software minero ISATIS.
Comprender la importancia del análisis de datos en el ámbito minero.
2.1 Aplicaciones
de visor 3D.
Fifura 1. Modelo de bloque con el módulo de visor 3D.
Fuente: Manual de ISATIS Geovarianza
2.2.1 Variograma
función aleatoria.
mapas experimentales
de variogramas
Variables estacionarias:
- Modelado de variogramas 2D-3D con geometría y / o
anisotropías zonales.
- Visualización multidireccional de experimental variogramas
- Conjunto exhaustivo de modelos de variograma.
- Adaptación gráfica interactiva de variogramas.
- Montaje automático de alféizar simple y cruzado variogramas
- Ajuste automático de variograma de multivariante, variogramas
variable.
- Modelado de variograma gaussiano truncado: ajuste las
experimental.
- variograma regularizado.
- Variogramas en rejillas grandes. Algoritmo basado en FFT.
Variables no estacionarias:
- Identificación automática de deriva (IRF-k, externa
- funciones de deriva, reconocimiento de covarianza automático).
- Modelado de tendencias globales.
Regularización de variogramas.
Modelado de histograma (multivariante): anamorfosis función,
gaussiano corrección.
Figura.4: Ajuste de variograma modelado caso de estudio fierro (Anisotropia: en rojo omnihorizontal
y en violeta vertical).
sus variogramas simples tienen formas muy parecidas uno con respecto
del otro. Por otra parte, estas dos variables presentan un variograma
variables restantes del caso de estudio. Esto se nota en las figuras 8.2 con
acumulación de sílice.
que en el caso univariable. Las mesetas se obtienen por medio del ajuste
2.2.2 Kriging
Geoestadística y definió una nueva era en las tareas de pronóstico en las ciencias
geológicas, mineras y otras que han empleado los conceptos y procedimientos de
geométrica de los datos con respecto al punto o panel donde se estima la variable
que se estudia, es decir, que esta varianza no está relacionada funcionalmente con
Según David (1977), la estimación por kriging parte del conocimiento de los
estimación.
1. , si la media no es conocida.
2. Se minimice la varianza de estimación:
Donde γ(Pi ,A) indica la variabilidad de cada punto Pi con respecto al panel A. El
valor γ(Pi ,Pj) sea la variabilidad entre lows puntos Pi y Pj . Finalmente γ(A ,A) es
siguiente:
el tamaño y la forma del panel A, se tiene que para un conjunto dado de k puntos la
que son las distancias entre cada dato usado y el panel los que determinan los
valores de cada término γ(Pi ,A) y de cada peso ai. O sea, σ2e no depende de los
de un punto Pe. La expresión γ(Pi ,A) se reduce a γ(Pi ,Pe,) y γ(A ,A) = 0.
en los datos).
La práctica de la estimación por kriging tiene mucho de arte: hay que conocer
♦ Alcance.
♦ Meseta.
♦ Anisotropía.
♦ Zona de Influencia.
♦ Tipo de variograma.
el tipo de kriging que se utilizará, así como sus parámetros (forma y dimensiones de
de estimación σ2e.
Efecto Pepita: Desde el punto de vista numérico esta variable que generalmente se
denota Co , toma valores no negativos y en la medida que aumenta, desde cero hasta
…,k.
c) El valor de µ aumenta y tiende a σ2/K.
d) El valor de σ2e aumenta hasta σ2/K cuando se trata de kriging de bloque y hasta
aumenta desde cero hasta el valor de la mayor distancia entre dos puntos
puntual del variograma para cada una de las distancias menores que el nuevo
alcance. En la práctica esto significa que el valor de σ2e disminuye cuando aumenta
el alcance.
valor del alcance. Para valores relativamente altos de este último con respecto a las
distancias entre los puntos relacionados con una estimación, los cambios del
global, los cambios en el alcance de cualquiera de las estructuras que forman a los
tipo de todos los variogramas direccionales son semejantes. Hace tres décadas, la
doctora Isobel Clark (1977) planteaba que: “la anisotropía era el problema más
estructura.
En la actualidad algunos autores se refieren a la anisotropía efecto pepita
(Deutsch & Journel, 1998, p. 25), pero esto parece ser una condición impuesta
por casos reales que se encuentran en muy pocas ocasiones. Más bien puede
presentan el mismo alcance y diferentes mesetas, pero Néstas son una función
estimador como una combinación lineal ponderada de los datos disponibles, sin
a. Cokriging Simple
El estimador simple de una variable (índice i0) a partir de N variables (índices i) es:
Donde:
mi = Media de variable i.
Xo = El punto a estimar
Xi = Vector de posición.
Para estimar Zio se deben determinar los ponderadores Wi, los que son multiplicados
por los daros duros que caen dentro de la vecindad utilizada. Dichos ponderadores
Cabe notar que a media mi debe ser conocida para cada una de las variables.
Donde:
variable.
b. Cokriging Ordinario:
Donde:
Xo = Es el punto a estimar
Donde:
Xi = Es un vector de posición.
Donde:
variable.
I = Matriz de identidad
U = Multiplicador de LaGrange.
c. Cokriging Colocalizado
Uno de los pasos cruciales del cokriging corresponde a la ecuación de la vecindad
esto es dad la gran cantidad de cálculos involucrados. Se sabe que en algunos casos
el cokriging es equivalente a hacer los cálculos con una sola variable, resultando en
Dentro de los posibles casos determinaos por las bases de datos, se le pone especial
reflejan en los tiempos de cálculo que son los que aumentan la complejidad del
problema.
Esto conlleva a que el peso Wo usado en este tipo de estimación para el único dato
único punto donde existe el dato de la variable secundaria es el punto que se quiere
Donde:
hacer en este caso es usar un vecindario del tipo muticolocalizado es tos considerar
S(X) = Corresponde a los datos colocalizados con los puntos coexistentes las
Las aplicaciones que han recibido una mayor atención en la geoestáditica de minas
son los casos donde dos o más variables estas muestreadas, pero una está menos
de los modelos más simples, el modelo estricto lineal no produce una varianza de
Cokrigear una variable es al menos tan preciso como krigear esta variable si el
22)
g. Consideraciones
Los pesos de la variable objetivo Z1 no tienen unidad, mientras que los pesos de la
estacionaridad.
situaciones:
Estimación
Simulación
Lineal, no lineal
2D, 3D
Univariante, multivariado
Herramientas integradas
dinámicamente vinculadas:
Mapas base, histogramas
Diagramas de dispersión
Diagramas QQ
Gráficos PP
Variogramas experimentales
Nubes de variogramas
Mapas de variogramas
por separado.
Métodos indicadores:
Indicador Kriging (Múltiple)
Manipulación del modelo del variólogo (uni a multi)
Indicador pre y pos procesamiento
Curvas de tonelaje de grado
procedimientos.
clasificación
Simulaciones
Intervalos de confianza de simulaciones
de recursos y simulaciones.
Realiza actualizaciones periódicas (incluso diarias) con nuevos datos
Ventajas:
Obtener Isatis implica aprovechar una probada solución de software en
geoestadísticos mejorados.
El soporte de proveedores es constante en el mercado.
Desventajas:
Los costos de obtención de licencia son demasiado altos.
El espacio de instalación de disco es mucho mayor al de un software libre.
Mantenimiento de software constante y de costo elevado.
El idioma del software en su mayoría de versiones es en inglés.
3. Conclusiones
4. Recomendaciones
5. Referencias
- Bleines, C., Deraisme J., Geffroy, F.,Parseval, S., Rambert, F.,Renard, D. &.
Mines de Paris.
- Business Solutions Group Institute. (2017). Diplomado programa
http://uk.geocities.com/drisobelclark/PG1979. 119 p.
- David, M. (1977): Geostatistical ore reserve estimation. Elsevier Scientific
Universidad de chile.
- Hart, D. & Rudman, A. J. (1997). Least-squares fit of an ellipse to anisotropic
maafk.pdf
SETIEMBRE -2016- GEOVARIANCES)
- https://www.geovariances.com/en/testimonials/isatis-una-herramienta-de-
eleccion-geoinnova/
(Pablo Carrasco – chile -geoinnova-Geovariances)
- http://www.tesis.uchile.cl/tesis/uchile/2011/cf-galvez_ip/pdfAmont/cf-
galvez_ip.pdf
tesis: IGNACIO PATRICIO GÁLVEZ PARRA - enero 2011