Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SANTIAGO – CHILE
ENERO 2007
i
UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
DEPARTAMENTO DE INGENIERÍA DE MINAS
PROFESOR CO-GUÍA
SR. EDUARDO MAGRI : ……… …………………… ………………
PROFESOR INTEGRANTE
SR. CAMILO SALINAS : ……… …………………… ………………
SANTIAGO – CHILE
ENERO 2006
ii
RESUMEN
El objetivo general del presente trabajo de título es definir e implementar una metodología para
la estimación de un campo de direcciones de continuidad variable e incorporarlo a la simulación
geoestadística de un atributo; se define una metodología para estimar campos de direcciones
de anisotropías, se evalúan parámetros necesarios para representar direcciones de
anisotropías locales y se modifica el algoritmo de simulación secuencial gaussiana para
adecuarlo al uso de anisotropías locales en la simulación.
La primera parte de este trabajo consiste en una descripción del formalismo geoestadístico,
técnicas de estimación y simulación geoestadística. Además, se hace una revisión bibliográfica
de lo realizado en cuanto a incorporar la geología en la evaluación de recursos mineros. Se
continúa presentando en detalle la metodología desarrollada para incorporar un campo de
direcciones de continuidad variables a la simulación geoestadística de un atributo, junto con la
justificación de la misma. Finalmente, se desarrolla un caso de estudio para ilustrar el uso de la
metodología propuesta. Se utilizan datos reales de una porción de un yacimiento de oro en
vetas del cual es posible deducir direcciones de anisotropía locales condicionantes para la
estimación de un campo de direcciones.
iii
ABSTRACT
The right resources evaluation in mining projects is very relevant to approve funds that allow
carrying out the projects. Due to the investment is substantial to have reliable information is
essential. In the case of vein sort of deposits, resources evaluation is more problematic due to
the variable continuity that show these deposits.
The main objective of this engineering final project is to define and to implement a methodology
for the estimation of a field of continuity directions and to incorporate it to the geostatistical
simulation of an attribute; it is defined a methodology to estimate the anisotropy direction field,
parameters needed to represent local anisotropy direction are evaluated, and it is modified the
algorithm of Gaussian Secuential Simulation adapting it to the use of local anisotropies.
The first part of this project consists on a brief description of the geostatistic theory, and
estimation and simulation geostatistics tools. In addition, a bibliographic revision of material
related to incorporate the geology to mining resources evaluation is done. Then it is showed on
detail the developed methodology to incorporate variable continuity direction in geostatistical
simulation. Finally, it is developed a study case to show the methodology proposed. For this
study case was used real data from a portion of a vein deposit of gold from which it is possible to
deduce local anisotropies direction which are used to estimate a direction field.
To use variable local anisotropies is proposed as a variant of the strict stationary hypothesis,
which indicates the use of a sole variogram for an attribute simulation. Using local anisotropies is
not whimsical, rather it is based on the information recompiled that support the presence of local
anisotropies.
It is evident the benefit of using local anisotropies against to use a sole variogram in the
simulation of a geological unit. Thanks to use local anisotropies, in the study case, it is better
achieved the representation of either continuity direction changes or the continuity within
geological structures with curvilinear character. It is possible to appreciate that the continuity and
orientation in simulated veins at every realization as well as in the average is better achieved.
Even though, the global statistics are very similar. Moreover, the simulation algorithm that
account for variable continuities is notoriously slower than the traditional algorithm due to that an
efficient search is difficult to practice because the variograma value configuration for the nodes
in the kriging neighborhood is variable along with the local anisotropy.
iv
Agradecimiento
Gracias a mis padres y hermanos por quererme y apoyarme tanto en cada una de las
etapas de mi vida. Muchas gracias a toda mi familia, en especial a mi abuelita Guillermina que
lamentablemente ya no está más conmigo. Sin dudas creo que ella estaría muy feliz de verme
un ingeniero.
Gracias a los profesores Julián Ortiz y Xavier Emery por su cordialidad y excelente
disposición en cada momento, en especial durante mi último semestre dedicado al desarrollo de
mi memoria. Gracias a Julián por su dedicación en la corrección de éste trabajo. Gracias a la
profesora Gianna Vallebuona por su preocupación y amabilidad demostrada en cada momento.
Gracias a todos los amigos que te he tenido gracias a que estudio ingeniería y con los
cuales he compartido importantes momentos en mi vida. Mis amigos de plan común: Bernardo
Rojas, Leonardo Pérez, Carlos Castillo, Miguel Neira, Leonardo Moreno, Álvaro Parra, Gabriel
Letelier, Carlos Urriola, Rodrigo Torreblanca, Boris Aliaga, Nelson Aliaga y Pablo Jofre. Mis
amigos de Ingeniera de Minas: Juan Luis Yarmuch, Daniel Silva, Gonzalo Gacitúa, Rodrigo
Gacitúa, Eduardo Villalobos, Francisco Peña, Reynaldo Billyard, Andrés Music y Carlos
Hernández. A todos los mencionados y a los que he olvidado mencionar les deseo lo mejor en
cada aspecto de su vida.
v
vi
Índice General
1 INTRODUCCIÓN ........................................................................................................................................1
1.1 PROBLEMÁTICA Y MOTIVACIÓN ...........................................................................................................................3
1.2 OBJETIVOS ............................................................................................................................................................4
1.2.1 Objetivo General..........................................................................................................................................4
1.2.2 Objetivos Específicos ...................................................................................................................................4
1.3 ALCANCES ............................................................................................................................................................5
1.4 DESCRIPCIÓN POR CAPÍTULOS ..............................................................................................................................6
2 ANTECEDENTES .......................................................................................................................................8
2.1 MODELAMIENTO GEOLÓGICO ...............................................................................................................................8
2.2 EVALUACIÓN DE RECURSOS .................................................................................................................................9
2.2.1 Variable Regionalizada...............................................................................................................................9
2.2.2 Caracterización de una Función Aleatoria................................................................................................10
2.2.3 Estimación de Leyes...................................................................................................................................13
2.2.4 Simulación Secuencial Gaussiana .............................................................................................................15
2.3 GEOMETRÍAS NO CAPTURADAS POR TÉCNICAS CONVENCIONALES ....................................................................16
2.4 METODOLOGÍAS EXISTENTES PARA INCORPORAR GEOLOGÍA EN LA EVALUACIÓN ............................................18
3 METODOLOGÍA .......................................................................................................................................23
3.1 ESTIMACIÓN DE CAMPO DE DIRECCIONES DE ANISOTROPÍA...............................................................................24
3.2 VARIOGRAMA CONSIDERANDO ANISOTROPÍAS LOCALES...................................................................................26
3.3 SIMULACIÓN SECUENCIAL GAUSSIANA CONSIDERANDO ANISOTROPÍAS LOCALES ............................................28
3.4 JUSTIFICACIÓN DE LA METODOLOGÍA .................................................................................................................30
3.4.1 Parámetros para Definir Direcciones de Anisotropías Locales ................................................................30
3.4.2 Alcance en el Kriging para Estimación de Campo de Direcciones ...........................................................33
3.4.3 Simulación Considerando Anisotropías Locales. ......................................................................................34
3.5 METODOLOGÍA PARA CASO DE ESTUDIO ............................................................................................................37
4. CASO DE ESTUDIO ................................................................................................................................38
4.1 INFORMACIÓN DISPONIBLE .................................................................................................................................38
4.2 GEOLOGÍA DEL YACIMIENTO ..............................................................................................................................40
4.3 ESTUDIO EXPLORATORIO....................................................................................................................................41
4.3.1 Estadísticas Datos Condicionantes............................................................................................................41
4.3.2 Desagrupamiento.......................................................................................................................................44
4.4 TRANSFORMACIÓN GAUSSIANA ........................................................................................................................45
4.5 TEST DE LA DISTRIBUCIÓN BIGAUSSIANA...........................................................................................................47
4.6 ANÁLISIS VARIOGRÁFÍCO ...................................................................................................................................49
4.6.1 Variograma Datos no Gaussianos .............................................................................................................50
4.6.2 Variograma Datos Gaussianos..................................................................................................................51
4.7 MODELOS VARIOGRÁFICOS ................................................................................................................................52
4.7.1 Modelos Datos no Gaussianos...................................................................................................................52
4.7.2 Modelos Datos Gaussianos........................................................................................................................52
4.7.3 Modelos “Ideales”.....................................................................................................................................53
4.8 CAMPO DE DIRECCIONES DE CONTINUIDAD VARIABLE ......................................................................................54
4.8.1 Secciones....................................................................................................................................................55
4.8.2 Plantas .......................................................................................................................................................57
4.9 SIMULACIÓN SECUENCIAL ..................................................................................................................................58
4.9.1 Caso “Real” ..............................................................................................................................................59
4.9.2 Caso “Ideal” 1...........................................................................................................................................60
4.9.3 Caso “Ideal” 2...........................................................................................................................................62
4.10 VALIDACIÓN DE LA SIMULACIÓN CONSIDERANDO ANISOTROPÍAS LOCALES ...................................................63
4.10.1 Histogramas Datos Gaussianos..............................................................................................................63
4.10.2 Histogramas Datos No Gaussianos .........................................................................................................65
4.10.3 Variogramas ............................................................................................................................................66
i
4.11 SIMULACIÓN V/S KRIGING ................................................................................................................................67
4.12 COMPARACIÓN PROMEDIO SIMULACIONES CON KRIGING ................................................................................69
5 CONCLUSIONES Y RECOMENDACIONES ...........................................................................................71
5.1 CONCLUSIONES...................................................................................................................................................71
5.2 RECOMENDACIONES ...........................................................................................................................................72
6 BIBLIOGRAFÍA.........................................................................................................................................74
ANEXOS ......................................................................................................................................................75
ANEXO A: DATOS INICIALES DE DIRECCIONES CASO DE ESTUDIO. ..........................................................................76
ANEXO B: HISTOGRAMAS PROMEDIOS Y DESV. STD. SIMULACIONES. .....................................................................80
ANEXO C: MODELOS VARIOGRÁFICOS “IDEALES” PARA KRIGING. ..........................................................................83
ANEXO D: ARCHIVOS DE PARÁMETROS GSLIB.........................................................................................................84
ANEXO E: COMPARACIÓN ALGORITMOS DE SIMULACIÓN........................................................................................85
ANEXO F: COMPARACIÓN KRIGING SIMPLE – KRIGING SIMPLE. ..............................................................................87
ANEXO G: ALGORITMO DE SIMULACIÓN IMPLEMENTADO EN MATLAB....................................................................90
ii
Índice de Figuras
Figura 1: Problemas en la Estimación al Utilizar Anisotropías Globales. .........................4
Figura 2: Veta de oro (color rojo)....................................................................................17
Figura 3: Yacimiento de petróleo....................................................................................18
Figura 4: Representación Gráfica de los Vectores h y h' . ............................................20
Figura 5: Patrones de múltiples puntos. .........................................................................22
Figura 6: Ejemplo de Estimación de Campo de Anisotropía ..........................................25
Figura 7: Rotación de Ejes. ............................................................................................28
Figura 8: Anamorfosis Gaussiana [Emery X., 2001].......................................................29
Figura 9: Formas para Definir Direcciones de Continuidad............................................31
Figura 10: Estimación de Direcciones de Continuidad. Caso Plegamiento....................32
Figura 11: Estimación de Direcciones de Continuidad. Caso Veta. ...............................32
Figura 12: Estimaciones con Componentes Normalizados. ...........................................33
Figura 13: Alcances de K.O. en Estimación de direcciones de Anisotropía. ..................34
Figura 14: Datos Recreación Muestreo Veta 1...............................................................35
Figura 15: Simulación Veta 1. ........................................................................................35
Figura 16: Datos Recreación Muestreo Veta 2...............................................................36
Figura 17 Simulación Veta 2. .........................................................................................36
Figura 18: Disposición de Datos Iniciales y Muestras Para Análisis Variográfico. ........39
Figura 19: Datos Condicionantes Espacio a Estimar. ....................................................42
Figura 20: Secciones Utilizadas en el Condicionamiento de Datos................................43
Figura 21: Vista de Plantas Utilizadas en el Condicionamiento de Datos. .....................43
Figura 22: Planta de Datos Luego de la Anamorfosis. ...................................................47
Figura 23: Nubes de Correlación Diferida. .....................................................................48
Figura 24: Rotación de Ejes para Cálculo de Variograma..............................................50
Figura 25: Búsqueda de Direcciones de Continuidad. ...................................................54
Figura 26: Campo Anisotropía Local. Sección 1. ...........................................................55
Figura 27: Campo Anisotropía Local. Planta 1. ..............................................................57
Figura 28: Plantas y Secciones Simulación Caso “Real”. ..............................................60
Figura 29: Plantas y Secciones Simulación Caso “Ideal” 1. ...........................................61
Figura 30: Plantas y Secciones Simulación Caso “Ideal” 2. ...........................................62
Figura 31: Simulaciones v/s Kriging. ..............................................................................68
Figura 32: Promedio Simulaciones con Kriging..............................................................69
Figura 33: Secciones con Datos Iniciales y Campo Estimado de Direcciones. ..............76
Figura 34: Plantas con Datos Iniciales y Campo Estimado de Direcciones. ..................77
Figura 35: Archivo de Parámetros NSCORE..................................................................84
Figura 36: Archivo de Parámetros BACKTR. .................................................................84
Figura 37: Comparación Algoritmos de Simulación Modelo “Ideal” 1.............................85
Figura 38: Comparación Algoritmos de Simulación Modelo “Ideal” 2.............................86
Figura 39: Comparación KS – KO Modelo “Real”...........................................................87
Figura 40: Comparación KS – KO Modelo “Ideal” 1. ......................................................88
Figura 41: Comparación KS – KO Modelo “Ideal” 2. ......................................................89
Figura 42: Figura Esquemática Programación Algoritmos de Simulación......................90
iii
Índice de Gráficos
Índice de Tablas
Tabla 1: Estadísticas Básicas.........................................................................................39
Tabla 2: Estadísticas Subespacio Variograma. ..............................................................40
Tabla 3: Estadísticas Datos Condicionantes Previo Desagrupamiento..........................41
Tabla 4: Estadísticas Datos Condicionantes Desagrupados. .........................................45
Tabla 5: Datos Direcciones Condicionantes Sección 1. .................................................56
Tabla 6: Datos Direcciones Condicionantes Planta 1.....................................................57
Tabla 7: Estadísticas Promedio Simulaciones Caso “Real”. ..........................................59
Tabla 8: Estadísticas Promedio Simulaciones Caso “Ideal” 1. .......................................61
Tabla 9: Estadísticas Promedio Simulaciones Caso “Ideal” 2. .......................................62
Tabla 10: Datos Sección 1. ............................................................................................78
Tabla 11: Datos Planta 1. ...............................................................................................78
Tabla 12: Datos Planta 2. ...............................................................................................78
Tabla 13: Datos Sección 2. ............................................................................................78
Tabla 14: Datos Planta 3. ...............................................................................................78
Tabla 15: Datos Sección 3. ............................................................................................78
Tabla 16: Datos Sección 4. ............................................................................................79
Tabla 17: Datos Planta 4. ...............................................................................................79
Tabla 18: Datos Planta 5. ...............................................................................................79
iv
Capítulo 1 Introducción
1 Introducción
El valor del variograma es función del espaciamiento (h) entre pares de datos de una
variable regionalizada. El variograma puede de ser calculado utilizando distintos espaciamientos
y direcciones. Se considera un variograma isótropo, si éste es idéntico en todas las
direcciones, es decir, si éste no depende de la orientación del vector h, sino sólo de su módulo
|h|. En caso contrario, se habla de la existencia de anisotropías. La existencia de anisotropías
nos indica la presencia de direcciones preferenciales en la continuidad espacial de una variable
regionalizada. Tanto las técnicas de estimación como de simulación consideran la presencia de
1
Capítulo 1 Introducción
anisotropías con el objetivo de reproducir de mejor manera la posible distribución de la variable
regionalizada en estudio en el espacio.
2
Capítulo 1 Introducción
1.1 Problemática y Motivación
Tanto para la estimación de una variable regionalizada por kriging como para la
simulación geoestadística se utilizan herramientas de modelamiento de la estructura espacial
(covarianza, variograma), y en función de estas herramientas se definen las direcciones de
continuidad presentes en el espacio que se desea estimar.
3
Capítulo 1 Introducción
Figura 1: Problemas en la Estimación al Utilizar Anisotropías Globales.
a) Veta de Oro. La flecha verde representa la dirección de máxima anisotropía global para la veta: b) La línea de color rojo
corresponde a la estimación de la envolvente de las leyes de la veta utilizando direcciones de anisotropías globales en el
espacio a estimar, c) Las flechas naranjas corresponden a un campo de direcciones de anisotoprías estimadas. La línea de
color rojo es la estimacón de la envolvente de las leyes de la veta utilizando el campo de direcciones variables previamente
estimado.
1.2 Objetivos
4
Capítulo 1 Introducción
2. Programar algoritmo que permita encontrar el campo de direcciones de continuidad para
el espacio que se pretende estimar utilizando datos de anisotropías locales.
1.3 Alcances
5
Capítulo 1 Introducción
Se modifica el algoritmo de simulación secuencial gaussiana para incorporar las
direcciones de continuidad variable.
En cada punto que sea pertinente del caso de estudio se compara los resultados
obtenidos al utilizar el programa de simulación secuencial desarrollado en MATLAB con
realizaciones de simulaciones generadas con el software GSLIB utilizando parámetros tan
similares como las opciones de cada programa lo permiten. Se realiza este ejercicio con el
objetivo de comprobar el correcto funcionamiento del programa escrito para el desarrollo de
este trabajo de título. Se elige GSLIB por ser software ampliamente utilizado en trabajos
geoestadísticos.
Esta sección pretende describir de forma breve lo que se desarrollará en cada capítulo
presente en este trabajo de título para que el lector pueda comprender y situarse de forma más
fácil dentro del mismo.
6
Capítulo 1 Introducción
El capítulo 3 muestra en detalle la metodología desarrollada para incorporar un campo
de direcciones variables a la simulación geoestadística de un atributo. En este capítulo se
muestra además de la metodología desarrollada, algunos ejemplos de pruebas realizas con el
objetivo de justificar las decisiones impuestas en la metodología.
Finalmente los últimos dos capítulos son complementos para que el lector pueda
profundizar más en el tema desarrollado. El capítulo 6 muestra la bibliografía consultada por el
autor de esta memoria, mientras que el capítulo 7 corresponde a los anexos de este trabajo,
entre los cuales se contemplan datos utilizados en ejemplos, código de algoritmo de simulación
para MATLAB, histograma de realizaciones, plantas y perfiles de estimación utilizando kriging,
variogramas “ideales” utilizados, comparación de plantas y perfiles entre una realización
generada con un algoritmo de simulación ya implementando y otra generada con el programado
en MATLAB. También se encuentran los archivos de parámetros de programas de GSLIB
mencionados en la metodología.
7
Capítulo 2 Antecedentes
2 Antecedentes
Este capítulo tiene por objetivo describir los antecedentes con los que se cuenta para el
desarrollo de esta memoria. Se comienza por una breve descripción del modelamiento
geológico. Luego se continúa con técnicas de evaluación de recursos (estimación y simulación
geoestadística) utilizadas en la metodología propuesta. Se intenta estandarizar las definiciones
presentadas por los distintos autores [Emery X., 2000; Goovaerts P., 1997] para que el lector
pueda desarrollar una lectura más sencilla.
Los datos con que se utilizan en este trabajo de título corresponden a leyes y ángulos de
direcciones de continuidad. Se entiende por ley a la concentración de oro, plata, cobre, estaño,
etc., presente en las rocas mineralizadas, elementos de interés de un yacimiento. En el caso de
estudio en particular se trabaja con concentraciones de oro, datos que se encuentran medidos
en partes por millón [ppm].
Los datos leyes obtenidos a través de sondajes son utilizados por los geólogos para
ayudar en la inferencia del modelo geológico del yacimiento.
8
Capítulo 2 Antecedentes
epitermales y vetas mesotermales. Las diferencias entre estos dos tipos consisten en la
profundidad en que se formaron y los componentes que cada una presenta.
Los sondajes son perforaciones de pequeño diámetro y gran longitud que se efectúan
para alcanzar zonas inaccesibles desde la superficie o laboreos mineros. Los sondajes permiten
obtener muestras de dichas zonas a profundidades de hasta 1.200 m para ser estudiadas y
analizadas por los geólogos.
Las técnicas más utilizadas actualmente son la perforación con recuperación de testigos
o diamantina y la recuperación de detritos o aire reverso. En la primera se utiliza una tubería
engastada en diamantes en la punta (corona), obteniéndose un cilindro de roca de un diámetro
entre 2 y 5 pulgadas, en tanto que la segunda se realiza con herramientas que van moliendo la
roca, permitiendo obtener sólo trozos de roca de hasta 1 cm.
Para el caso de estudio presentado en este trabajo de título, la base de datos utilizada
cuenta con una variable de interpretación de la pertenencia o no pertenencia de las muestras a
una veta del yacimiento. De esta interpretación se extraerá los datos condicionantes para
generar el campo de direcciones variables.
Una variable regionalizada es una función numérica que describe de forma cuantitativa
un cierto atributo presente en una ubicación precisa del espacio. La ley se considera una
variable regionalizada.
9
Capítulo 2 Antecedentes
diferentes puntos del espacio en estudio a través del uso de herramientas que permiten resumir
las principales características de la regionalización, es una tarea que desarrolla la
geoestadística.
El valor que adquiere una variable regionalizada puede estar asociado a un punto, una
superficie o un volumen. El punto, la superficie o el volumen sobre el cual se considera la
variable regionalizada se denomina soporte. Para el caso de las muestras el soporte se
considera puntual, mientras que la estimación por ejemplo de una ley mineralógica se considera
que el valor de la variable regionalizada representa el promedio de su valor en el volumen
considerado, volumen que por lo general corresponde a unidades selectivas de explotación en
evaluación minera.
un punto x del campo D como una realización de la variable aleatoria Z ( x) , es decir, como
una realización de una variable que asume diferentes valores a consecuencia de los resultados
de un experimento aleatorio. Cuando x recorre D , se obtiene una familia de variables
aleatorias {Z (x), x ∈ D} , que constituyen una función aleatoria o proceso estocástico. El
conjunto {Z (x), x ∈ D} , que no es otra cosa que la variable regionalizada estudiada, es una
10
Capítulo 2 Antecedentes
2.2.2.1 Momentos de Primer Orden
E [ Z ( x) ] = m( x) = ∫ z ( x) ⋅ f Z ( z ( x)) ⋅ dz (1)
D
• Varianza
{
var [ Z (x) ] = E [ Z (x) − m(x)]
2
} = E Z (x) − m(x)
2 2
(2)
• Variograma
Dependiente solo de x1 − x 2 , h1 y h 2 .
El variograma se considera para describir la interacción entre los valores separados por
el vector h . Siendo Z ( x) una función aleatoria intrínseca sin deriva, es decir cuando m(h) = 0 ,
la definición del variograma es la siguiente:
11
Capítulo 2 Antecedentes
1
γ (h) = var [ Z (x + h) − Z (x) ] (3)
2
1 2
γ (h)=
2 N(h)
∑ z(x
N (h )
α ) − z (xβ ) (4)
12
Capítulo 2 Antecedentes
∀x, E [ Z (x)] = m = cte. (5)
forma:
n n
Z * (x 0 ) = ∑ λα Z (xα ) + (1 − ∑ λα )m (10)
α =1 α =1
−1
[λβ ] = C (xα − xβ ) [C (xα − x 0 )]. (11)
13
Capítulo 2 Antecedentes
Debemos notar que para encontrar el dato estimado Z * ( x 0 ) mediante kriging simple se
Z * (x 0 ) con kriging simple en cada punto x 0 queda dada por la siguiente expresión:
n
2
σ KS (x 0 ) = σ 2 − ∑ λα C (x α - x 0 ) (12)
α =1
Como se mencionó con anterioridad el kriging simple utiliza una media m única de los
datos para la estimación lo cual resulta poco aconsejable, pues conocer con certeza el valor de
la media, es poco frecuente. Además cuando la media varía demasiado de un lugar a otro
dentro del espacio a estimar se desea que nuestro estimador pueda reproducir esta situación.
Es así como se plantea el kriging ordinario o kriging de media desconocida. El kriging ordinario
al no tomar en cuenta el valor de la media de los valores muestreados requiere de una
condición extra sobre los ponderadores para así satisfacer su propiedad de estimador
insesgado. Esta condición se muestra en la siguiente ecuación:
∑α
n
λ = 1.
=1 α
(13)
−1
λβ C ( x α − x β ) 1 C ( x α − x β )
µ = (14)
1 0 1
ecuación 13 al ser reemplazada en la ecuación 10 hace que el término de la derecha sea cero,
consiguiendo de esta forma que el valor estimado no considere la media. La varianza en la
estimación de Z * ( x 0 ) con kriging ordinario queda dada por la siguiente expresión:
14
Capítulo 2 Antecedentes
n
2
σ KO (x 0 ) = σ 2 − ∑ C ( xα − xβ ) − µ (15)
α =1
Pese a que la simulación puede ser utilizada para la estimación como un sustituto del
kriging si es que se promedian los distintos escenarios generados, el fuerte de la simulación
geoestadística se da en el análisis de riesgo (escenario más optimista/pesimista) y en la medida
de la incertidumbre (ver qué tan distintos son los diversos escenarios). Como sabemos el
kriging por construcción minimiza la varianza en la estimación lo que provoca que éste produzca
mapas más suavizados que como realmente se presenta la variable regionalizada en el
espacio. La simulación geoestadística trata de corregir el suavizamiento en los mapas de leyes
producido por el kriging agregándole a los valores estimados una variabilidad aleatoria de
manera de reproducir de mejor forma la estructura espacial de la variable. Debido a lo anterior,
resulta imposible distinguir entre el mapa real de la variable regionalizada y un escenario
generado mediante simulación geoestadística, ya que cada escenario generado por la
simulación reproduce la variabilidad que el atributo de interés presenta en la realidad.
15
Capítulo 2 Antecedentes
YS ( xi ) = Y * ( xi ) + σ i Ri (16)
{YS ( x0 ),..., YS ( xi −1 )} y de {R0 ,..., Ri −1} ; σ i Ri es una simulación del error de kriging en
xi −1 .
16
Capítulo 2 Antecedentes
Figura 2: Veta de oro (color rojo).
17
Capítulo 2 Antecedentes
Figura 3: Yacimiento de petróleo.
x i de la siguiente manera:
1 si x i ∈ X
I (x i ) = (17)
0 si x i ∈ X C
18
Capítulo 2 Antecedentes
Si denotamos θi al ángulo que define la orientación (en 2D) del estrato que contiene la
posición x i , el modelo de covarianza global de la variable indicador puede ser escrito como una
función del ángulo principal θ de la elipse de anisotropía global Cθ (h) . Para cada posición x 0 ,
N
I * (x0 ) = ∑ δ i I (xi ) (18)
i =1
n
I * (x 0 ) = ∑ α i Cθ (x i , x 0 ) (19)
i =1
Por definición, el modelo de covarianza de los datos indicadores, Cθ (h) , es una medida
totalidad, ésta puede ser descompuesta en las partes que la componen (características
geométricas locales de X ).
la elipse de anisotropía global en forma coincidente con el ángulo θi para cada x i . Esto
19
Capítulo 2 Antecedentes
donde h' es igual al vector h después de una rotación de θi [h' = rθi (h)] ; y Cθ* (h) es el modelo
de covarianza global estimada con todos los valores de las muestras I ( xi ) en el espacio a
estimar. La Figura 4 muestra gráficamente los vectores h y h' , junto con los modelos Cθ (h) y
Cθi (h) , por ejemplo para x i (con una orientación espacial θi ) y una posición no muestreada x .
con x i , y = rθ i ( x i , x).
n
I m* (x 0 ) = ∑ α i Cθ*i (x i , x 0 ) (22)
i =1
x i [Xu W., Journel A., 1990]; la simulación es condicionada a cualquier valor de θ i . En cada
20
Capítulo 2 Antecedentes
nodo x i donde el tipo de facie o la propiedad petro-física es estimada o simulada el modelo
ejes, es decir, h1 con respecto al este y h2 con respecto al norte, h' = ( h1' , h2' )T son las
coordenadas después de la rotación del azimut de θ definidas en sentido de los punteros del
reloj con respecto al norte:
∑
β
λβ C ((x
=1
α − xβ );θ i ) = C ((xα − x 0 );θ i ), ∀α = 1,..., n (25)
Otro acercamiento a incorporar las continuidades geológicas aun más allá de la mera
utilización de los dos primeros momentos en la evaluación de recursos y la representación de
estructuras curvilíneas es la realizada al utilizar estadísticas de múltiples puntos. Se ha utilizado
estadísticas de múltiples puntos en imágenes de entrenamiento [Guardiano B., Srivastava. R.,
21
Capítulo 2 Antecedentes
1993] para reproducir las características curvilíneas con forma de duna con buenos resultados.
Estos métodos han tenido una limitada aplicación en la minería.
22
Capítulo 3 Metodología
3 Metodología
Luego del análisis exploratorio de los datos, se debe ubicar plantas y perfiles de la zona
a estimar de donde sea posible inferir direcciones de anisotropía locales a través de la
interpretación geológica. Los valores de estas direcciones deben ser impuestas como datos
condicionantes para la realización de un kriging ordinario de direcciones de continuidad. La
estimación de las direcciones de continuidad se realiza de forma independiente para cada una
de las componentes del vector dirección de mayor continuidad, el cual se considera ubicado en
el punto central del nodo de la grilla que se quiere estimar, por lo que para el caso de una grilla
tridimensional, se obtienen tres ángulos de rotación estimados y condicionados a los datos de
cada una de las componentes de las direcciones de continuidad en el espacio. Se debe utilizar
un variograma muy continuo y un alcance lo suficientemente grande para asegurar un campo
de direcciones de continuidad suave en todo el espacio. Se debe verificar el correcto resultado
de la estimación del campo de direcciones graficando y comparando tanto las plantas como los
perfiles de las zonas de las cuales se extrajeron los datos condicionantes.
Se deben preparar los datos para realizar la simulación condicional. A estos se les
practica una transformación gaussiana utilizando el programa NSCORE de GSLIB [Deutsch
C.V., Journel A. G., 1998]. Se grafica el histograma de los datos gaussianos como la función de
anamorfosis para detectar posibles errores en este proceso. Se llevan a cabo tests (nubes de
correlación diferidas, madogramas, etc.) para verificar que los datos luego de la anamorfosis
cumplen con las hipótesis de las distribuciones bigaussianas. El archivo que contiene la tabla de
transformación de los datos es posteriormente utilizado en la transformación inversa de los
23
Capítulo 3 Metodología
datos simulados. A los datos gaussianos se le realiza el estudio variográfico correspondiente,
obteniéndose el variograma utilizado en la simulación secuencial.
24
Capítulo 3 Metodología
La estimación del campo de direcciones de anisotropías se realiza utilizando kriging
ordinario. El alcance en el kriging debe ser lo suficientemente grande y no se debe considerar
efecto pepa para asegurar que el campo generado resulte suave.
25
Capítulo 3 Metodología
h1 h 2 h3
γ (h) = 1 − exp − + + (26)
a1 a2 a3
ángulos α , φ y σ , como ángulos de rotación en torno a los ejes cartesianos y los ejes ya
rotados:
26
Capítulo 3 Metodología
1 0 0
T ( x, α ) = 0 cos(α ) − sen(α )
(27)
0 sen(α ) cos(α )
cos(φ ) 0 sen(φ )
T ( y, φ ) = 0 1 0 (28)
− sen(φ ) 0 cos(φ )
cos(σ ) − sen(σ ) 0
T ( z , σ ) = sen(σ ) cos(σ ) 0 (29)
0 0 1
Por ejemplo, una matriz que represente un giro de un ángulo α sobre OZ, seguido de
un giro φ sobre OY’ y de un giro σ sobre OX’, puede obtenerse por la composición de las
matrices básicas de rotación:
T = T ( z , σ )T ( y, φ )T ( x, α )
Cσ − Sσ 0 Cφ 0 Sφ 1 0 0
= Sσ Cσ 0 0 1 0 0 Cα − Sα (30)
0 0 1 − Sφ 0 Cφ 0 Sα Cα
Cφ Cσ −Cα Sσ + Sφ Cσ Sα Sα Sσ + Sφ Cσ Cα
= Cφ Sσ Cα Cσ + Sφ Sσ Sα Sα Cσ + Sφ Sσ Cα
− Sφ Cφ Sα Cα Cφ
27
Capítulo 3 Metodología
h1
h = h2 = T ( x, α )T ( y, φ )Y ( z , σ ) ⋅ h (31)
h3
Se debe considerar que las matrices de rotación presentadas tienen su función en rotar
las coordenadas de un punto con respecto a un sistema fijo. Como nuestra metodología
consiste en rotar el sistema, se deben considerar los ángulos de rotación del sistema
antecedidos por un signo menos para así conseguir el efecto de rotación del sistema y no el
punto con respecto a un sistema fijo.
Como primer paso para la simulación se debe realizar una transformación gaussiana a
los datos condicionantes. La anamorfosis consiste en la transformación de los datos originales a
otros que sigan una distribución normal con media 0 y varianza 1. El proceso de transformación
se ve representado en la Figura 8. A cada valor original se le asigna el valor de la distribución
normal que posee la misma frecuencia acumulada. Luego de finalizada la simulación se debe
28
Capítulo 3 Metodología
realizar el proceso inverso a los valores simulados, es decir, una transformación inversa de los
valores gaussianos simulados.
1.- Si existen nodos ya simulados son considerados como parte de los datos.
2.- Nos situamos en el nodo de la grilla con la posición xi . En esta posición se han estimado
donde el subíndice i corresponde al del nodo. Se considera para la estimación los n datos
con menor valor de variograma.
4.- Se estima Y * ( xi ) con el variograma del tipo γ (h; α i , φi , σ i ) para todos los datos. Las
29
Capítulo 3 Metodología
N
eq. K .S . ∑ λβ C (( xα − xβ ); α i ; φi ; σ i ) = C (( xα − xi ); α i ; φi ; σ i ), ∀α = 1,..., n (32)
β =1
YS ( xi ) = Y * ( xi ) + σ i Ri (33)
30
Capítulo 3 Metodología
• Utilizar dirección y sentido de la continuidad. Estimar senos y cosenos de la dirección en
forma independiente y utilizar estas estimaciones para obtener un ángulo β ∈ [ 0, 2π [ ).
31
Capítulo 3 Metodología
Ya que entre los alcances de este trabajo de título no se encuentra el modelamiento
geológico donde las direcciones de continuidad presenten características demasiado complejas
(por ejemplo un plegamiento), utilizar sólo la dirección para definir la anisotropía local es
suficiente para el ejercicio.
32
Capítulo 3 Metodología
Como se puede ver en los ejemplos C de las Figuras 10 y 11 al utilizar estimación de
senos y cosenos por kriging ordinario considerando ambas componentes de forma
independiente, las estimaciones no cumplen las identidades trigonométricas básicas del seno y
coseno ( ∀α , sen 2 (α ) + cos 2 (α ) = 1 ), por lo que si se quiere utilizar esta forma de definir
direcciones de anisotropía se debe realizar una normalización de las componente estimadas en
cada punto del espacio. La siguiente figura muestra la estimación con las componentes
normalizadas de los ejemplos anteriormente presentados:
33
Capítulo 3 Metodología
geológicas no se recreen como realmente se requiere, más aún si los datos condicionantes
para las direcciones son escasos.
34
Capítulo 3 Metodología
Figura 14: Datos Recreación Muestreo Veta 1.
35
Capítulo 3 Metodología
Figura 16: Datos Recreación Muestreo Veta 2.
36
Capítulo 3 Metodología
3.5 Metodología para Caso de Estudio
37
Capítulo 4 Caso de Estudio
4. Caso de Estudio
Se posee una base de 40621 datos, cuya ley de oro promedio es de 0.32 ppm. Estos
datos provienen de varias campañas de sondajes realizadas al depósito. La Tabla 1 muestra
las estadísticas básicas del yacimiento.
38
Capítulo 4 Caso de Estudio
Tabla 1: Estadísticas Básicas.
Mínimo Máximo Promedio
Coord. X [m] 27.31 2840.33 -
Coord. Y [m] 27.64 2716.34 -
Coord. Z [m] 32.28 522.32 -
Ley de Au [ppm] 0.00 236.59 0.32
39
Capítulo 4 Caso de Estudio
obliga a asumir que el yacimiento posee las mismas características variográficas dentro de todo
el subespacio. Las estadísticas de este subespacio se muestran en la Tabla 2.
El yacimiento está conformado por seis vetas epitermales con recursos geológicos
(medidos, indicados e inferidos) estimados en 3.5 millones de toneladas. Las vetas se
distribuyen en un área de 15 [Km2]. Éstas corresponden a vetas epitermales de baja
sulfidización (adularia-sericita) emplazadas en una secuencias volcánica compuesta por riolitas,
dacitas y en menor proporción por rocas piroclásticas y volcánicas, que están asociadas
espacialmente y temporalmente a un complejo de domos riolíticos con edades (40Ar-39Ar, U-Pb)
de 54-55 millones de años [Ma]. El complejo riolítico evidencia tanto actividad intrusiva como
extrusiva. La mineralización está fuertemente controlada por las zonas de fallas de orientación
Norte-Sur y Norte-Noreste subverticales. Las fallas son predominantemente de manteo (dip-slip)
y reflejan tanto un régimen extensivo como compresivo. La mineralización ha sido datada entre
40
53 y 53 millones de años [Ma] usando el método Ar39-Ar en cristales de adularia provenientes
de dos de las vetas principales.
Los datos condicionantes son la porción de los datos que se encuentran dentro de la
zona que con posterioridad se simula. La zona que se simula fue seleccionada por contar con
abanicos de sondajes que muestran con claridad las orientaciones de la vetas, por lo que se
pueden inferir con claridad direcciones de continuidad. Las simulación se realizan en un espacio
de 125x125x130 [m]. Esta zona se encuentra entre las cotas 1275-1400 [m] en la coordenada
Y, 1075-1200 [m] en la coordenada X, y 200-350 [m] en la coordenada Z. Las estadísticas de
los 1.417 datos condicionantes previo al desagrupamiento de los mismos se muestran en la
Tabla 3. Se debe verificar que no existen datos duplicados ni aberrantes con anterioridad.
41
Capítulo 4 Caso de Estudio
La Figura 19 muestra la ubicación de los datos condicionantes con respecto a los datos
utilizados para el estudio variográfico.
42
Capítulo 4 Caso de Estudio
1290 [m] finalizando con al sección 4 con coordenada Y igual a 1380 [m]. La Figura 20 y la
Figura 21 muestran al detalle las 4 secciones y las 5 plantas.
43
Capítulo 4 Caso de Estudio
4.3.2 Desagrupamiento
Los datos condicionantes se encuentran compositados cada 2 [m] a lo largo del sondaje.
Los sondajes son verticales y subverticales. Como se aprecia en la Figura 21 los abanicos de
sondajes se encuentran espaciados aproximadamente cada 30 [m] y dentro de cada abanico
los sondajes están aproximadamente cada 15 [m].
Se puede ver las variaciones que ocurren en la media de los datos para los distintos
tamaños de celdas de desagrupamiento en el Gráfico 4. El eje X de este gráfico corresponde al
tamaño de la celda en la coordenada X medida en metros [m]. La anisotropía para las distintas
componentes de la celda es de 1:2:0.33, es decir, el tamaño de la celda en la coordenada Y es
el doble que en la coordenada X y seis veces el tamaño de la celda según la coordenada Z.
44
Capítulo 4 Caso de Estudio
Tabla 4: Estadísticas Datos Condicionantes Desagrupados.
Mínimo Máximo Promedio Desv. Std.
[ppm] [ppm] [ppm] [ppm]
Ley de Au 0.00 142.60 1.07 4.46
45
Capítulo 4 Caso de Estudio
Luego de la anamorfosis los datos condicionantes para la simulación poseen una media
de 0.08 y una varianza de 1.01. Estos valores se encuentran bastante próximos a los valores
óptimos (media 0 y varianza 1).
La Figura 22 muestra una vista en planta de los datos que son utilizados en el análisis
variográfico previa y posteriormente al desarrollo de la anamorfosis. Se evidencia la correlación
de los valores pre y post anamorfosis.
46
Capítulo 4 Caso de Estudio
Figura 22: Planta de Datos Luego de la Anamorfosis.
47
Capítulo 4 Caso de Estudio
de 3, 5, 10 y 20 [m]. Se observa que éstas siguen el comportamiento propio de los datos que
siguen una distribución gaussiana, es decir, a valores de h pequeños la nube adquiere una
48
Capítulo 4 Caso de Estudio
Luego de que el resultado del test de nubes de correlación es favorable, es posible
asumir con toda propiedad que los datos luego de la anamorfosis poseen una distribución
multigaussiana. Esto hace posible seguir adelante con el estudio variográfico y posteriormente
con la simulación secuencial gaussiana tanto tradicional como considerando direcciones de
anisotropía variable.
Se efectúa el análisis variográfico tanto para los datos gaussianos como para los datos
no gaussianos. El primer variograma es utilizado en la simulación secuencial considerando y sin
considerar direcciones de continuidad variables, mientras que el segundo variograma se utiliza
en la estimación con Kriging Simple y Kriging ordinario.
49
Capítulo 4 Caso de Estudio
Figura 24: Rotación de Ejes para Cálculo de Variograma.
Para el cálculo del variograma se realizan dos rotaciones de 20º. La primera se lleva a
cabo dejando el eje Z fijo, mientras que para la segunda se deja el eje Y’ (coordenadas
previamente rotadas) fijo.
50
Capítulo 4 Caso de Estudio
El variograma de los datos gaussianos posee una forma muy similar al de los datos no
gaussianos aunque el alcance aumenta levemente. El nuevo alcance es de aproximadamente 7
[m] en cada una de las direcciones de variograma calculadas.
51
Capítulo 4 Caso de Estudio
4.7 Modelos Variográficos
Cada uno de los variogramas presentados en este punto considera las rotaciones
efectuadas al sistema de coordenadas utilizadas para el cálculo de variogramas experimentales
tanto de datos gaussianos como de datos no gaussianos (Figura 24).
52
Capítulo 4 Caso de Estudio
4.7.3 Modelos “Ideales”
Para ilustrar mejor el uso de direcciones variables, se utiliza además del modelo
variográfico del variograma experimental de los datos reales, dos modelos variográficos
“ideales”. Estos modelos acrecientan las características anisótropas del yacimiento
considerando una anisotropía geométrica, es decir, la misma anisotropía presente en el
variograma original de los datos. El valor del efecto pepita considerado para estos corresponde
al 10% de la meseta del variograma de datos gaussianos (varianza 1). Ambos modelos se
muestran a los gráficos siguientes.
53
Capítulo 4 Caso de Estudio
4.8 Campo de Direcciones de Continuidad Variable
Las puntos 4.8.1 y 4.8.2 de este capítulo ilustran la manera en que se obtiene los datos
de direcciones y como se efectúa las estimación del campo con ellos. Se muestran tablas y
figuras correspondientes a la sección y la planta 1. En el Anexo A se muestra las tablas de
datos condicionantes del campo y figuras esquemáticas de cada sección y planta.
54
Capítulo 4 Caso de Estudio
4.8.1 Secciones
Los valores medios de las direcciones de continuidad condicionantes para cada una de
las 4 secciones son -28.7, -21.58, -19.92 y -19.36 [grados], mientras que los valores medios
para las mismas secciones obtenidas con el kriging ordinario son de -24.92, -22.22, -19,23, -
17,17 [grados].
55
Capítulo 4 Caso de Estudio
Tabla 5: Datos Direcciones Condicionantes Sección 1.
Sección 1
Coord. X Coord. Z Ángulo
[m] [m] [grados]
1125 337 -26.0
1131 318 -26.0
1143 303 -26.0
1152 281 -14.0
1156 263 -14.0
1160 245 -12.0
1162 228 -25.0
1177 205 -37.0
1123 343 -57.0
1145 337 -50.0
Dirección Promedio [grados] -28.7
Ya que se trabaja con una grilla de 18750 nodos en la simulación, se obtienen 18750
ángulos de rotación φ para el sistema de anisotropías. El valor promedio para la direcciones del
campo generado es de -20.18, con una varianza de 56.25.
56
Capítulo 4 Caso de Estudio
4.8.2 Plantas
57
Capítulo 4 Caso de Estudio
La dirección promedio para las 5 plantas utilizadas fue de -6.6, -4.4, 0.95, 1.53 y 5.54
[grados], mientras que la dirección promedio del kriging ordinario para las mismas es de -4.67,
1.48, 5.13, 3.69 y 5.22 [grados]. El valor promedio sobre los 18750 nodos estimados para el
ángulo α es de 2.87 [grados]. El Gráfico 15 muestra la distribución 18750 valores estimados.
58
Capítulo 4 Caso de Estudio
Para cada estimación se considera como mínimo 1 y como máximo 20 datos
condicionantes en la estimación. Ya que el algoritmo secuencial incorpora los valores ya
simulados a los valores condicionantes, entre éstos últimos, puede haber datos previamente
simulados.
59
Capítulo 4 Caso de Estudio
Figura 28: Plantas y Secciones Simulación Caso “Real”.
Para este caso, la misma simulación efectuada utilizando GSLIB entrega un promedio
1.28 [ppm], es decir, 0.18 [ppm] menos que el promedio utilizando el programa en MATLAB con
direcciones de anisotropía constantes. La diferencia es atribuida a las diferencias en la
programación en los algoritmos y metodologías para las anamorfosis utilizadas en cada uno de
los programas.
60
Capítulo 4 Caso de Estudio
continuidad de las vetas resulta mucho más evidente al utilizar direcciones de anisotropía
variables. La reproducción de la posible forma de la veta se consigue de mejor manera al utilizar
la metodología propuesta en este trabajo de título.
61
Capítulo 4 Caso de Estudio
4.9.3 Caso “Ideal” 2.
Al igual que para el caso “Ideal” 1, el caso “Ideal” muestra las virtudes de utilizar
direcciones de continuidad variable. Las simulaciones utilizando direcciones de anisotropías
variable entregaron un promedio de 0.92 [ppm] y una desviación estándar de 3.54 [ppm],
mientras que las simulaciones sin considerar anisotropías locales poseen una media de 0.89 y
una desviación estándar de 3.45 entre simulaciones.
62
Capítulo 4 Caso de Estudio
Pese a las leves diferencias en las estadísticas promedios que se muestran en la Tabla
9, las diferencias en la continuidad que muestran los mapas para cada una de las dos
metodologías hacen evidente las virtudes del uso de anisotropías locales para la estimación de
este tipo de yacimientos. La sección 3 de la Figura 30 muestra una distribución de altas leyes
mucho más estructurada cuando se utiliza la metodología propuesta.
Para este caso, el promedio de las simulaciones en GSLIB fue de 0.96 [ppm], lo que
convierte a las simulaciones hechas en MATLAB en las más semejantes con respecto a las
primeras, ya que la diferencia es de sólo 0.07 [ppm] en el promedio.
Se revisa los histogramas tanto de los datos gaussianos como de los datos luego de la
anamorfosis inversa para asegurarse que la simulación considerando anisotropías locales
reproduce los histogramas de los datos desagrupados previo y post anamorfosis. También se
verifica que el variograma de los datos gaussianos coincida con los modelos variográficos
utilizados.
El Gráfico 16 muestra los histogramas tanto los datos gaussianos iniciales como los
datos gaussianos de las simulaciones realizadas con los distintos modelos variográficos.
63
Capítulo 4 Caso de Estudio
64
Capítulo 4 Caso de Estudio
4.10.2 Histogramas Datos No Gaussianos
65
Capítulo 4 Caso de Estudio
4.10.3 Variogramas
En el origen los variogramas y los modelos resultan bastante parecidos. Las direcciones
de mayor continuidad en los variogramas y los modelos son la vertical (negro) y la Norte-Sur
(amarillo), las cuales representan aproximadamente las direcciones en que se encuentra
contenida la veta. Las diferencias lejos del origen se atribuyen a utilizar un dominio acotado
para la simulación y a asumir la estacionalidad en todo el dominio pese a que la existencia de
derivas y artefactos en los datos condicionantes no es algo con menor ocurrencia.
66
Capítulo 4 Caso de Estudio
1
En Anexo B se muestra los histogramas del promedio y las desviaciones estándar de las realizaciones.
67
Capítulo 4 Caso de Estudio
planta y sección 3 generados utilizando simulación, kriging simple y kriging ordinario2. Se puede
apreciar como el kriging suaviza, particularmente el kriging simple, el cual considera la media de
los datos condicionantes en la estimación, mientras que el kriging ordinario aplica condiciones
sobre los ponderadores λ y no considera la media global de los datos condicionantes en la
estimación.
2
Para realizar el kriging se utilizan modelos “ideales” con forma similar a los modelos ideales propuestos
para los datos gaussianos. Esto modelos se pueden ver en el Anexo C.
68
Capítulo 4 Caso de Estudio
realizaciones de una simulación tradicional converge a la estimación por kriging simple sus
campos de aplicación son distintos.
69
Capítulo 4 Caso de Estudio
suficiente para considerar direcciones de anisotropías locales, lo que generalmente ocurre en
yacimientos de vetas como el considerado en este caso de estudio.
70
Capítulo 5 Conclusiones y Recomendaciones
5 Conclusiones y Recomendaciones
5.1 Conclusiones
Una función variograma única para describir las correlaciones presentes en una unidad
geológica representa el promedio de las contribuciones geométricas estructurales de cada una
de las muestras presentes en dicha unidad geológica. El conjunto de características
geométricas puede ser descompuesto en las partes que la componen. El uso de anisotropías
locales se propone con este propósito y representa una forma de incorporar la geología más
allá del uso de los dos primeros momentos en la evaluación de recursos.
71
Capítulo 5 Conclusiones y Recomendaciones
El beneficio del uso de anisotropías locales frente al uso de un variograma único en la
simulación de una unidad geológica resulta evidente. Gracias a su uso en el caso de estudio, se
logra representar de mejor manera el cambio de la dirección de continuidad o la continuidad
dentro de estructuras geológicas con carácter curvilíneo. Se aprecia que la continuidad y
orientación de las vetas, tanto de las realizaciones como del promedio de éstas, al ser
comparadas con la interpretación geológica de las mismas, resulta ser mucho mejor alcanzada
al utilizar direcciones de anisotropía locales. No obstante a lo anterior, las estadísticas globales
entre la simulaciones desarrolladas y la tradicional son sumamente parecidas.
5.2 Recomendaciones
Luego de realizado este estudio surgen las siguientes ideas y recomendaciones para ser
consideradas en posibles mejoras a este trabajo:
72
Capítulo 5 Conclusiones y Recomendaciones
de anisotropías locales, para que el uso de anisotropías locales no pierda consistencia al
evaluar pares de datos bajo un variograma que no los representa.
73
Capítulo 6 Bibliografía
6 Bibliografía
[1] Dae S. Young. Random Vectors and Spatial Analysis by Geostatistics for Geotechnical
Applications. Mathematical Geology, Vol. 19, No. 6, pp. 469-470.
[2] Deutsch C.V., Journel A. G. (1998). GSLIB: Geostatistical Software Library and User’s
Guide. Segunda Edición, Oxford University Press, New York, pp.223-226.
[8] Goovaerts P. (1997). Geostatistics for Natural Resources Evaluation, University of Oxford
Press, New York, pp. 476-485.
[5] Guardiano B., Srivastava M., (1993). Multivariate Geostatistics: Beyond Bivariate
Moments. In A. Soares, editor, Geostatistics Troia ’92, volume 1, pp. 133-135.
[6] Journel A. G., Huijbregts C. J., (1978). Mining Geostatistics, Academic Press, London,
1978, 600 p.
[7] Ortiz J. M., Deutsch C. V., (2004). Indicador Simulation Acounting for Multiple-Point
Statistics. Mathematical Geology, Vol. 36, No. 5, pp. 545-558.
[10] Xu W., Journel A. G.. (1990). Conditional Curvilinear Stochastic Simulation Using Pixel-
based Algorithms. Mathematical Geology, Vol. 28, No. 7, pp. 937-949.
74
Anexos
Anexos
75
Anexos
Anexo A: Datos Iniciales de Direcciones Caso de Estudio.
76
Anexos
Figura 34: Plantas con Datos Iniciales y Campo Estimado de Direcciones.
77
Anexos
Tabla 10: Datos Sección 1. Tabla 11: Datos Planta 1.
Sección 1 Planta 1
Coord. X Coord. Z Ángulo Coord. X Coord. Y Ángulo
[m] [m] [grados] [m] [m] [grados]
1131 318 -26.0 1171 1366 -19.0
1143 303 -26.0 1174 1355 -6.0
1152 281 -14.0 1173 1341 10.0
1156 263 -14.0 1171 1328 10.0
1160 245 -12.0 1171 1316 -1.0
1162 228 -25.0 1174 1305 -17.0
1177 205 -37.0 1178 1297 -24.0
1123 343 -57.0 1200 1340 -6.0
1145 337 -50.0 Dirección Promedio [grados] -6.6
Dirección Promedio [grados] -29.0
Tabla 12: Datos Planta 2.
Tabla 13: Datos Sección 2. Planta 2
Sección 2 Coord. X Coord. Y Ángulo
Coord. X Coord. Z Ángulo [m] [m] [grados]
[m] [m] [grados] 1162 1365 -6.0
1145 304 -30.0 1164 1355 -7.0
1155 281 -12.0 1166 1342 -7.0
1160 263 -12.0 1168 1329 -13.0
1165 238 -20.0 1168 1316 13.0
1173 220 -23.0 1165 1304 13.0
1180 200 -28.0 1162 1292 22.0
1153 341 -14.0 1176 1325 0.0
1160 320 -21.0 1176 1315 -7.0
1165 300 -12.0 1175 1376 -18.0
1171 275 -12.0 1178 1366 -14.0
1178 253 -22.0 1180 1356 -7.0
1189 232 -22.0 1181 1343 -7.0
1160 343 -35.0 1184 1333 -11.0
1172 326 -31.0 1188 1321 -17.0
1181 310 -31.0 Dirección Promedio [grados] -4.4
1192 295 -21.0
1200 273 -21.0 Tabla 14: Datos Planta 3.
Dirección Promedio [grados] -21.6 Planta 3
Coord. X Coord. Y Ángulo
Tabla 15: Datos Sección 3. [m] [m] [grados]
Sección 3 1162 1375 12.0
Coord. X Coord. Z Ángulo 1159 1362 17.0
[m] [m] [grados] 1156 1351 21.0
1145 340 -4.0 1155 1337 2.0
1151 320 -16.0 1155 1323 2.0
1155 297 -8.0 1155 1312 6.0
1160 272 -13.0 1153 1300 11.0
1164 250 -13.0 1150 1287 16.0
1173 230 -19.0 1164 1332 -10.0
1182 210 -24.0 1164 1323 7.0
1153 343 -40.0 1164 1312 7.0
1167 328 -27.0 1187 1375 -21.0
1174 312 -37.0 1192 1363 -21.0
1183 293 -17.0 1195 1353 -4.0
1191 270 -28.0 1197 1340 -13.0
1197 218 -13.0 1198 1331 -6.0
Dirección Promedio [grados] -19.9 1200 1322 -11.0
1196 1376 -9.0
1196 1363 12.0
Dirección Promedio [grados] 0.9
78
Anexos
Tabla 16: Datos Sección 4. Tabla 17: Datos Planta 4.
Sección 4 Planta 4
Coord. X Coord. Z Ángulo Coord. X Coord. Y Ángulo
[m] [m] [grados] [m] [m] [grados]
1152 341 -11.0 1155 1395 -12.0
1157 321 -7.0 1157 1372 -10.0
1159 300 -11.0 1157 1357 6.0
1164 277 -11.0 1155 1347 21.0
1170 253 -13.0 1150 1333 11.0
1175 232 -25.0 1148 1318 6.0
1158 343 -32.0 1145 1300 13.0
1166 327 -32.0 1138 1287 25.0
1175 310 -22.0 1168 1372 -10.0
1184 291 -16.0 1170 1355 7.0
1191 274 -33.0 1168 1340 7.0
Dirección Promedio [grados] -19.4 1166 1327 7.0
1166 1312 3.0
Tabla 18: Datos Planta 5. 1177 1375 -9.0
Planta 5 1177 1362 1.0
Coord. X Coord. Y Ángulo 1178 1350 -7.0
[m] [m] [grados] 1180 1335 -7.0
1153 1738 -18.0 1181 1320 -7.0
1154 1372 0.0 1184 1305 -16.0
1153 1355 7.0 Dirección Promedio [grados] 1.5
1153 1340 7.0
1145 1333 37.0
1140 1320 3.0
1143 1305 -20.0
1140 1295 51.0
1138 1290 12.0
1152 1333 3.0
1152 1320 0.0
1150 1310 17.0
1167 1370 -11.0
1170 1358 8.0
1169 1345 3.0
1168 1335 8.0
1166 1323 8.0
1164 1312 8.0
1178 1370 -8.0
1180 1358 -6.0
1181 1345 0.0
1181 1333 9.0
1178 1318 9.0
1190 1320 6.0
Dirección Promedio [grados] 5.5
79
Anexos
Anexo B: Histogramas Promedios y Desv. Std. Simulaciones.
80
Anexos
81
Anexos
82
Anexos
Anexo C: Modelos Variográficos “Ideales” para Kriging.
Para realizar comparaciones con modelos “ideales” entre kriging y simulaciones se debe
proponer modelos que cumplen con las características del yacimiento estudiado. Los modelos
“ideales” 1 y 2 propuestos se muestran a continuación:
83
Anexos
Anexo D: Archivos de Parámetros Gslib.
84
Anexos
Anexo E: Comparación Algoritmos de Simulación.
85
Anexos
Figura 38: Comparación Algoritmos de Simulación Modelo “Ideal” 2.
86
Anexos
Anexo F: Comparación Kriging Simple – Kriging Simple.
87
Anexos
Figura 40: Comparación KS – KO Modelo “Ideal” 1.
88
Anexos
Figura 41: Comparación KS – KO Modelo “Ideal” 2.
89
Anexos
Anexo G: Algoritmo de Simulación Implementado en Matlab.
1. SGN: Realiza n realizaciones de SG. Calcula el tiempo que toma cada realización.
2. SG: Calcula una realización de simulación secuencial gaussiana. Al comienzo de cada
realización se genera un vector aleatorio que indica el orden de visita a cada nodo de la
grilla que se desea simular.
3. KRIGING: SG utiliza a KRIGING para calcular el valor estimado y la varianza de Kriging.
4. DIST: Calcula la matriz y el vector de covarianza para el sistema de kriging.
5. VECINDAD: Entrega la vecindad utilizada para el kriging.
6. VARIOGRAMA: Calcula el variograma para una distancia. Se utiliza para realizar un
orden según variograma de los datos condicionantes con respecto al punto que se
desea simular.
90
Anexos
7. ROTACIÓN: Rota el sistema de coordenadas para incorporar anisotropías locales en el
algoritmo.
8. BUSCAR: Entrega una vecindad a priori, que consiste en los valores dentro del cubo
centrado en el valor que se desea simular y que posee lados iguales a dos radios de
búsqueda según coordenadas rotadas.
91
Anexos
end
result=simulados;
result(:,6)=visita;
%Se entregan resultados ordenados según grilla original.
result=sortrows(result,6);
result(:,6)=[];
end
for i=1:m
result(i,:,2)=a(i,2)-a(:,2);
end
for i=1:m
result(i,:,3)=a(i,3)-a(:,3);
end
%Rotación de coordenadas
for i=1:m
for j=1:m
result(i,j,:)=abs(rotacion([result(i,j,1) result(i,j,2)...
result(i,j,3)],alpha,beta,gamma));
92
Anexos
end
end
end
(a(i,3)/9)^2))^3)+0.14*((3/2)*(sqrt((a(i,1)/7)^2+(a(i,2)/60)^2+...
(a(i,3)/60)^2))-(1/2)*(sqrt((a(i,1)/7)^2+(a(i,2)/60)^2+...
(a(i,3)/60)^2))^3);
if((a(i,1)/7)^2+(a(i,2)/9)^2+(a(i,3)/9)^2>=1)
result(i)=0.86+0.14*((3/2)*(sqrt((a(i,1)/7)^2+(a(i,2)/60)^2+...
(a(i,3)/60)^2))-(1/2)*(sqrt((a(i,1)/7)^2+(a(i,2)/60)^2+...
93
Anexos
(a(i,3)/60)^2))^3);
end
if (((a(i,1)/7)^2+(a(i,2)/60)^2+(a(i,3)/60)^2)>=1)
result(i)=1;
end
end
%Caso en que se debe calcular el variograma a la matriz a del sistema de
kriging.
else
result=zeros(m);
for i=1:m
for j=1:m
result(i,j)=0.6+0.26*((3/2)*(sqrt((a(i,j,1)/7)^2+(a(i,j,2)/9)^2+...
(a(i,j,3)/9)^2))-(1/2)*(sqrt((a(i,j,1)/7)^2+(a(i,j,2)/9)^2+...
(a(i,j,3)/9)^2))^3)+0.14*((3/2)*(sqrt((a(i,j,1)/7)^2+(a(i,j,2)/60)^2+...
(a(i,j,3)/60)^2))-
(1/2)*(sqrt((a(i,j,1)/7)^2+(a(i,j,2)/60)^2+...
(a(i,j,3)/60)^2))^3);
if((a(i,j,1)/7)^2+(a(i,j,2)/9)^2+(a(i,j,3)/9)^2>=1)
result(i,j)=0.86+0.14*((3/2)*(sqrt((a(i,j,1)/7)^2+(a(i,j,2)/60)^2+...
(a(i,j,3)/60)^2))-
(1/2)*(sqrt((a(i,j,1)/7)^2+(a(i,j,2)/60)^2+...
(a(i,j,3)/60)^2))^3);
end
if (((a(i,j,1)/7)^2+(a(i,j,2)/60)^2+(a(i,j,3)/60)^2)>=1)
result(i,j)=1;
end
end
end
end
end
%Entrega datos que se encuentran en la vecindad con forma cúbica con lados
%iguales a los radios de buscaqueda según componentes previamente rotadas.
function result=buscar(a,x0,y0,z0,dx,dy,dz)
%Se llama a lookup, la cual busca por componente.
94
Anexos
result=lookup(a,x0,dx,1);
result=lookup(result,y0,dy,2);
result=lookup(result,z0,dz,3);
end
%Se busca por una componente.
function result=lookup(a,x0,dx,row)
result=a;
if (size(a,1)==0)
result=[];
else
x=find(x0-dx>a(:,row) | a(:,row)>x0+dx);
if (size(x,1)==size(a,1))
result=[];
else
result(x,:)=[];
end
end
end
95