UNIVERSIDAD NACIONAL DE MOQUEGUA

ESCUELA PROFESIONAL DE INGENIERIA DE MINAS

INFORME FINAL DEL SOFTWARE ISATIS

CURSO:
COMPUTACIÓN APLICADA

DOCENTE UNIVERSITARIO:
Ing. Walter Nelson Cahuana Ochoa

ESTUDIANTES:
Darwin Ciro Ramos Mamani
Claudia Rocio Arce Cruz
Aldo Vladimir Catacora Quispe
Pamela Lucy Calizaya Ascencio

CICLO:
IX

2019
 ÍNDICE
INTRODUCCION ....................................................................................................... 3
CAPITULO I .............................................................................................................. 4
FORMULACION DE OBJETIVOS .......................................................................... 4
Objetivo General ...................................................................................................... 4
Objetivo Específicos ................................................................................................. 4
CAPITULO II ................................................................................................................ 5
DESARROLLO DEL TEMA BASES TEORICAS .................................................. 5
2.1. Aplicaciones ....................................................................................................... 5
2.2. Módulos .............................................................................................................. 6
2.2.1. Modelos de variogramas. ........................................................................... 6
2.2.2. Método de inverso ala distancia .............................................................. 12
2.2.3. Método de inverso ala distancia al cuadrado ......................................... 15
2.2.4. Modulo del Kriging................................................................................... 19
2.2.5. Simulación condicional ............................................................................. 24
2.2.6. Histogramas............................................................................................... 28
2.2.7. Q-Q plot ..................................................................................................... 29
2.2.8. Variografia. ............................................................................................... 30
2.3. Ventajas y Desventajas ................................................................................... 31
2.4. Uso del software ............................................................................................... 32
2.4.1. Herramientas para la adquisición y gestión de datos. ........................... 32
2.4.2. Herramientas de gestión e integración de datos .................................... 33
2.4.3. Herramientas para el análisis de datos espaciales, únicos interactivos y
dinámicamente vinculados. ............................................................................................ 33
2.4.4. Herramientas para la estimación de recursos in – situ ......................... 33
2.4.5. Herramientas para la estimación de recursos recuperables. ................ 33
2.4.6. Herramientas para la simulación. ........................................................... 34
2.4.7. Herramientas para la productividad. ..................................................... 34
2.4.8. Herramientas para ayudar a clasificar los recursos. ............................. 34
2.4.9. herramientas para ayudar a las funciones de control pendiente. ........ 35
2.4.10. Modelado de variogramas en ISATIS................................................... 35
CONCLUSIONES ....................................................................................................... 40
RECOMENDACIONES .............................................. Error! Bookmark not defined.
REFERENCIAS BIBLIOGRAFICAS ......................................................................... 41

2
 INTRODUCCION
Para un país como lo es Perú, productor de materias primas como molibdeno, plata,
oro y principalmente Cobre (Cu), entre otros, la minería representa una de sus principales
fuentes de ingresos, por lo que la búsqueda de nuevos depósitos minerales es fundamental.

La minería peruana se subdivide en tres segmentos: Gran minería, Mediana

minería y Pequeña minería. Estas se pueden diferenciar tanto por la inversión requerida,
el tamaño de sus depósitos, la ley del mineral, entre otros aspectos. En cualquiera de estas
categorías, es importante analizar un yacimiento para determinar si existe o no un depósito
económicamente rentable antes de invertir para su explotación y producción, sobre todo en
la gran minería en donde las inversiones necesarias son mucho más elevadas al igual que
las perdidas asociadas.

Para analizar y estudiar los distintos tipos de yacimientos, existen diversos métodos
y software, los cuales ayudan a una mejor comprensión, estimación y visualización de los
yacimientos que se estén evaluando de una forma más rápida y eficiente. Dentro de estos,
se encuentra el software minero ISATIS, el cual facilita el análisis y visualización de
datos, el mapeo de calidad y la estimación precisa de recursos.

En está ocasión se realizará un análisis geoestadístico con el software Isatis

versión 3.4.3, los puntos a tratar serán el análisis de datos (EDA), despliegue de datos,
análisis variográfico, modelamiento variográfico y por último la validación cruzada.

3
 CAPITULO I
FORMULACION DE OBJETIVOS

Objetivo General

Investigar el software geoestadístico Isatis para difundir su conocimiento a los

estudiantes de Ingeniería de Minas.

Objetivo Específicos

- Obtener conocimientos básicos en la utilización del software minero

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.

4
 CAPITULO II
DESARROLLO DEL TEMA BASES TEORICAS
2.1. Aplicaciones
Isatis es único entre los paquetes de software de geoestadística, ya que
proporciona el mejor análisis interactivo de datos 2D y 3D con mapas y ajustes de
variogramas, así como muchas técnicas de estimación (kriging simple y ordinario,
kriging del indicador, kriging disyuntivo, acondicionamiento uniforme) y
simulaciones condicional estocásticas de grado o geología. Permite realizar:
- Hacer uso de una solución geoestadística totalmente integrada;
- Maneje un paquete operacional avanzado muy flexible y de gran alcance;
- Respalda tus resultados en algoritmos matemáticos fiables y de sonido;
- Tomar decisiones basadas en procedimientos transparentes y reproducibles
- Manejar una amplia gama de datos, estudios y análisis;
- Visualiza con precisión los datasets y los modelos de bloque con el módulo de
visor 3D.

Figura 1. Modelo de bloque con el módulo de visor 3D.

Fuente: Manual de ISATIS Geovarianza

Con Isatis en los últimos años, ha habido un rápido desarrollo en

geoestadística en la industria petrolera y de gas. Las razones de este éxito se

5
encuentran en las significativas contribuciones de las geoestadísticas al análisis de los
datos espaciales y, sobre todo, a una necesidad abrumadora de la calidad de los datos
y la evaluación del riesgo.

Isatis es un poderoso y exhaustivo paquete geoestadístico que permite a

geólogos, geofísicos e ingenieros de embalses flujos de trabajo simples o complejos
para modelar embalses y evaluar los volúmenes y las incertidumbres vinculadas a su
evaluación. Además, Isatis conectividad completa con formatos habituales de
mercado y sus interfaces con Gocad y el RML, convierten al software en una
herramienta incomparable para la integración de datos. Donde ISATIS puede obtener
un modelo realista cuando la geología se hace compleja y respalda sus estimaciones
de reserva en un marco probabilístico completo.

2.2. Módulos
2.2.1. Modelos de variogramas.

El variograma o semivariograma es una herramienta dentro de la

geoestadística que nos permite analizar el comportamiento espacial de una variable
sobre un área definida, obteniendo como resultado un variograma experimental que
refleja la distancia máxima y la forma en que un punto tiene influencia sobre otro
punto a diferentes distancias.

El resultado de este análisis no puede ser aplicado directamente en los

diferentes métodos de interpolación que lo ocupan como información base, es por esto
que una vez calculado el variograma experimental, se debe realizar un modelo
matemático que modele de la mejor forma posible al variograma experimental, el cual
se conoce como variograma teórico.

6
 Figura 2: Representación del variograma

Fuente: Mineral Deposit evaluation.1991

Permite conocer la distancia máxima a la que una muestra tiene influencia

sobre otra muestra. Una aplicación de esta información es conocer la vecindad en que
se pueden buscar muestras para estimar el valor de un punto específico.

Permite, a partir de datos proporcionados por el variograma teórico, realizar

una estimación por medio de la metodología del krigeaje, la cual utiliza el modelo
matemático para definir el ponderador que se aplica a cada una de las muestras
encontradas al momento de asignar un valor al punto buscado.

A. Variograma Pepitico

Este modelo de variograma alcanza inmediatamente su meseta: hay ausencia

total de correlación espacial, de modo que la geoestadisctica encuentra todos los
resultados de la estadística clásica, se define:

Ecuación: variograma pepitico

7
 Figura 3: modelo variograma pepitico

Fuente: BS Group, 2017.

B. Variograma esférico

De alcance a y meseta C se define como:

Ecuación: variograma eferico

Figura 4: variograma esférico

Fuente: BS Group, 2017

8
C. Variograma Exponencial

De parámetro a y meseta C se define:

Ecuación: variograma exponencial

Contrariamente al modelo esférico que llega a la meseta exacta para |h| = a, el

modelo exponencial solo alcanza su meseta asintóticamente. En todo caso se puede
considerar un alcance práctico igual a 3ª para el cual el variograma llega al 95% del
valor de su meseta.

Figura 5: variograma exponencial.

Feunte: BS Group, 2017.

D. Variograma Gaussiano

De parámetro a y meseta C se define:

Ecuación: variograma gaussiano

9
 La meseta se alcanza asintoticamente y el alcance practico puede considerarse
igual a a raíz(3).

Figura 6: variograma gaussiano

Fuente: BSGroup, 2017

E. Variograma Senocardinal

De parámetro a y meseta C se define:

Ecuación; variograma seno cardinal

Este modelo presenta oscilaciones, las cuales tienen generalemnte una

interpretación física (fenómeno periódico amortiguado), el alcance prctico cale
20.73*a y la mitad del seud-periodo es igual a 4.49*a, distancia para la cual el
variograma vale1.21*C.

Figura 7: variograma seno cardinal

Fuente: Bs Group, 2017

10
F. Variograma potencia

De pendiente w y exponente ø se define.

Ecuación: variograma potencia

Este variograma no posee ni meseta ni alcance, sino que crece en forma

indefinida. El exponete puede variar entre 0 ( variograma pepitico) y 2 (variograma
parabólico), el modelo se llama lineal cuando el exponente es igual 1.

Figura 8: variograma potencia

Fuente: BS Group, 2017.

Procedimiento correcto para su uso.

- Eliminación de cualquier comportamiento tendencial.

- Selección de la h (lag en inglés) y del ángulo en el caso de que se trabaje
con variogramas direccionales.
- Creación del variograma experimental basado en la muestra seleccionada.

- Selección de un variograma teórico que se adecúe al experimental, pues el

variograma experimental no es una función donde se puedan realizar
interpolaciones.

11
2.2.2. Método de inverso ala distancia

Es un método de estimación que no es aconsejable en yacimientos con limites

muy definidos (paso de mineralización estériles). Este método utiliza determinar los
recursos a través de un factor de ponderación a cada muestra de rodea el punto central
de un bloque mineralizado el factor de ponderación es el inverso de la distancia entre
el punto en cuestión y el conocido elevado a una potencia en particular. ( Cancino,
2015, p. 3).

Ecuacion: inverso a la distancia

Donde:

Z(x) = ley en el sitio x a estimar

Li = Ley en lugares muestreados

λi = ponderador asociado a la muestra Li

Ecuación: ponderador asociado a la muestra Li

Donde:

Di = distancia del punto conocido a la variable a estimar

12
 Ecuacion: Z(x), λi,

EJEMPLO APLICATIVO

Se tiene un grupo de sondajes con las siguientes muestras. Hallar la estimación

de ley en el punto P, se encuentra en el centro del bloque.

Figura: sondajes conocidos

Fuente: elaboración propia

Consideración a tener en cuenta:

- La celda P estará representada por un punto en su centro

- La estimación estará restringida por una zona de influencia de
75 m.

Tabla

Distancia con influencia de radio

13
 PUNTOS DISTANCIA OBERVACION
S1-P 212 NO PROCEDE
S2-P 158 NO PROCEDE
S3-P 158 NO PROCEDE
S4-P 158 NO PROCEDE
S5-P 71 PROCEDE
S6-P 71 PROCEDE
S7-P 158 NO PROCEDE
S8-P 71 PROCEDE
S9-P 71 PROCEDE
Fuente: elaboración propia

Tabla

Distancia y leyes de sondajes.

LEY
PUNTOS DISTANCIA (Li)
S5-P 71 1.5
S6-P 71 1.3
S8-P 71 1.8
S9-P 71 1.6 Fuente:
Elaboración Propia

Tabla

Ponderador asociado a la distancia.

POND. 1
lambda 1 0.25
lambda 2 0.25

14
 lambda 3 0.25
lambda 4 0.25
SUMATORIA 1
Fuente: elaboración propia

El valor estimado P(x) = 1.55%

2.2.3. Método de inverso ala distancia al cuadrado

Se basa en la hipótesis del potencial químico (regla de los cambios graduales).

Esta hipótesis postula que las atracciones son inversamente proporcionales al
cuadrado de la distancia, y como gran parte de los depósitos se producen por
intercambio iónico o por diferencias de potencial químico, su distribución debería ser
de acuerdo con el inverso del cuadrado de la distancia. (Cancino, 2015, p. 4).

Características de IVOR

- Método analítico de cálculo de reservas

- El cuerpo mineralizado, previamente, debe dividirse en bloques
de igual tamaño.
- Se utiliza una vez que se ha definido la unidad de explotación.
- Consiste en cálculo de ponderadores.
- Aplica factor de ponderación a cada muestra que rodea el punto
central de un bloque mineralizado en el mismo nivel topográfico
(bidimensional) o desde fuera del nivel (tridimensional).
- Se aplica a yacimientos de tipo masivo regular, principalmente
de Fe y Cu.
- Para seleccionar las muestras que tendrán incidencia sobre la
estimación final se hace necesario definir vecindad puede ser en forma
elíptica (isotrópico) o circular (anisotropía) que estará en función del
comportamiento variable.

15
 Ecuación: ponderador asociado a la muestra Li

Donde:

Di = distancia del punto conocido a la variable a estimar

Ecuación: Z(x), λi

EJEMPLO APLICATIVO

Se tiene las siguientes muestras y se desea estimar el punto centro del bloque
para determinar la ley.

Figura 9 : bloque siendo estimado por IVOR

Fuente: cancino, 2015

16
Consideraciones a tener en cueta:

- La celda P estará representada por un punto en su centro

- La estimación estará restringida por una zona de influencia de 95m.

Tabla

Influencia del radio en la estimación

PUNTOS DISTANCIA OBERVACION

S1-P 32 PROCEDE
S2-P 52 PROCEDE
S3-P 66 PROCEDE
S4-P 78 PROCEDE
S5-P 100 NO PROCEDE
S6-P 92 PROCEDE
S7-P 64 PROCEDE
Fuente: elaboración propia

Tabla

Distancia y leyes de los sondajes

LEY
PUNTOS DISTANCIA (Li)
S1-P 32 0.9
S2-P 52 1.17
S3-P 66 1.09
S4-P 78 0.28
S6-P 92 0.73
S7-P 64 1.26
Fuente: elaboración propia.

17
 Tabla

Ponderador asociado a la distancia

POND. 2
lambda
1 0.54
lambda
2 0.20
lambda
3 0.13
lambda
4 0.09 Feunte: elaboración propia.

lambda
6 0.06
Valor estimado P(x): 1.10% ley.
lambda
7 0.13 Se estudia el comportamiento del ponderador
de inverso ala distancia desde la potencia 1 a la n,
para determinar el intervalo de potencias que arrojen una mejor estimación, intervalo
que se podrá apreciar antes de la estabilización de la curva “potencia del ponderador
V/S ley media”.

Figura10: valores arrojados por el cambio de potencia.

Fuente: cancino, 2015, p.11

18
 Figura11: comportamiento del ponderador al aumentar la potencia

Fuente: Cancino, 2015, p.11

Da a conocer que para el actual modelo experimental, la estimación de la ley

del bloque es similar en los comportamientos analizados (isotropía, anisotropía),
quiere decir que ante un aumento sustancial de la ley media del modelo cuando se
utilizan exponentes 0 – 14, y el segundo comportamiento que para el resto de
exponentes evaluados hasta el 60 la tendencia que presenta la ley final del bloque se
estabiliza en el valor 1.5%.

2.2.4. Modulo del Kriging

La estimación por kriging constituye uno de los principales elementos de la

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 esta
rama aplicada de las Matemáticas. Sin embargo, el triunfo de la Geoestadística dentro
de la práctica geológica y minera todavía es ensombrecido por el hecho de que la
varianza de estimación -parámetro que se optimiza al aplicar el método- solo depende,
a través del variograma, de la posición geométrica de los datos con respecto al punto o

19
panel donde se estima la variable que se estudia, es decir, que esta varianza no está
relacionada funcionalmente con los valores particulares de la variable en los puntos.

2.2.4.1. Definición clásica de la estimación por kriging.

Según David (1977), la estimación por kriging parte del conocimiento de los
valores de la variable W en un conjunto de n puntos Pi, o sea, se conocen los datos
(Pi,Wi) con i=1,2,…,n. Se supone estudiada la variabilidad del comportamiento de W
en el dominio D que se investiga, y esta variabilidad se expresa por el variograma γ(h)
que es una función de la distancia euclidiana h definida entre puntos del dominio D.
La expresión analítica de este variograma, usualmente se obtiene mediante el ajuste
de uno o varios modelos teóricos a un variograma experimental y debe cumplir cierta
restricción, basada en la necesidad de que la varianza de cualquier estimación debe ser
nula o positiva. La estimación por kriging del valor de W en un panel A se define
como:

Donde debe anotarse que son considerados k puntos (k≤n) para realizar esta
estimación.

Se quieren encontrar valores adecuados de ai (conocidos como pesos o

ponderadores) tales que se cumplan dos condiciones:

- si la media no es conocida.
- 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 la
variabilidad total del panel A. O sea, que la varianza de estimación depende de la
relación de las muestras con el panel A, de la relación entre las muestras, y de la
variación de calidad dentro del panel a estimar (Clark, 1977, p. 88).

20
 Aplicando el método de los multiplicadores de Lagrange (David 1977) se ha
demostrado que los valores ai se determinan resolviendo el sistema de ecuaciones
siguiente:

Donde se ha simplificado la notación tomando γij = γ(Pi ,Pj) y tomando γiA =

γ(Pi ,A) . El valor auxiliar µ es el multiplicador de Lagrange. La varianza de
estimación ahora queda determinada por la expresión:

Manteniendo el mismo variograma para todo el dominio D y asumiendo

constantes el tamaño y la forma del panel A, se tiene que para un conjunto dado de k
puntos la varianza de estimación solo depende de la posición geométrica de los puntos
Pi ya 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
valores particulares W(Pi), i=1,2,…,k. De esta formulación puede derivarse el caso de
la estimación puntual considerando idealmente el panel A con las dimensiones de un
punto Pe. La expresión γ(Pi ,A) se reduce a γ(Pi ,Pe,) y γ(A ,A) = 0.

Existe una importante propiedad de la estimación por kriging que resulta

indispensable recordar: el efecto screen (David, 1977). A medida que la variabilidad
de los valores de W tiende a ser independiente de la distancia entre los puntos, o sea,
el comportamiento de W tiende a ser completamente aleatorio, entonces los valores de
ai tienden a 1/K y µ tiende a σ2 /K (σ2 es la varianza de W en los datos).

2.2.4.2. Elementos básicos del Kriging.

21
 La práctica de la estimación por kriging tiene mucho de arte: hay que conocer
profundamente sus aspectos técnicos, es indispensable la práctica y además, es
necesaria cierta dosis de inspiración.

Todos los autores reconocen que lo primario es realizar un correcto análisis

variográfico, que consiste básicamente en determinar los siguientes elementos:

- 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 el valor de la varianza de los datos σ2, se tiene que:

a) Los valores de los pesos ai tienden al valor 1/K.

b) El valor estimado We tiende a la media aritmética de los datos
W(Pi) con i=1,2,…,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 σ2 + σ2/k cuando es kriging puntual.

- Alcance.
para un variograma simple y transitivo, en la medida que el alcance
aumenta desde cero hasta el valor de la mayor distancia entre dos puntos
pertenecientes a los datos, se produce un cambio importante en el modelo de la
variabilidad expresado mediante el variograma. Se tiene que:

a) Para variogramas no decrecientes, al aumentar el alcance

disminuye el valor 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.

b) Las variaciones de We en general no están correlacionadas con los cambios del

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 alcance definen
pocas variaciones en el valor de We.

22
 Cuando se trata de variogramas anidados y se ha considerado una
anisotropía global, los cambios en el alcance de cualquiera de las estructuras
que forman a los variogramas producen efectos análogos.

 Meseta.

En el caso de variogramas simples (no compuestos), cuando el resto de los

elementos permanece invariables, al aumentar el valor de la meseta:

a) Permanece constante el valor estimado We.

b) Aumenta el valor de la varianza de estimación σ2e.
 Anisotropía.

La isotropía o anisotropía del fenómeno estudiado se determina mediante el

análisis de los variogramas direccionales. Algunos autores (Bleines et al. 2001, p.
395) definen la anisotropía como la diferencia de la variabilidad de un fenómeno en
las diferentes direcciones del espacio. Un fenómeno se considera isotrópico cuando
las características numéricas (efecto pepita, alcance, meseta) y el tipo de todos los
variogramas direccionales son semejantes. Hace tres décadas, la doctora Isobel Clark
(1977) planteaba que: “la anisotropía era el problema más sencillo de acometer”.
(p.112)

Esta idea ha evolucionado como consecuencia del desarrollo de la teoría

geoestadística y con la experiencia práctica de su aplicación. Hoy en día puede
considerarse que la anisotropía es el aspecto más complicado de comprender y de
resolver en cada caso particular, ya que su determinación visual (examinando los
variogramas direccionales) o automatizada (Hart & Rudman, 1997). Debe
corresponderse con una realidad que generalmente es muy compleja. Se conocen dos
tipos de anisotropía:

Geométrica. Para variogramas obtenidos en diferentes direcciones, sus

alcances son diferentes y otras características coinciden. Si en una dirección el alcance
es máximo (Amax), entonces se debe considerar una extensión mayor de la zona de
influencia en esa dirección; un dato situado en esa dirección a una distancia Amax
deberá tener el mismo peso en la estimación que uno situado a la distancia Amin en la
dirección de menor alcance Amin. En estos casos el fenómeno anisotrópico es
considerado durante la estimación como un fenómeno isotrópico, corrigiendo las
23
distancias entre los puntos mediante una expresión matemática, lo cual significa en la
práctica que el alcance de todos los variogramas direccionales será el mismo. Este
asunto conduce a una pregunta. ¿Qué valor tomar como alcance general: ¿Amin, Amax,
otro? La respuesta a esta pregunta es definitoria para el rango de los valores de σ2e
por tanto, el análisis de los mismos debe hacerse cuidadosamente ya que, como se
sabe, aumentan si disminuye el alcance.

Zonal. Existen zonas del dominio tal que los variogramas direccionales que
apuntan a esas zonas se diferencian marcadamente de los demás (por ejemplo, el caso
de una mineralización estratiforme). La anisotropía zonal más distinguida por muchos
autores es aquella donde se presentan diferentes mesetas y coinciden otras
características. Estas anisotropías son modeladas mediante modelos anidados con
anisotropías locales según cada 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 pensarse que
este tipo de anisotropía se ha tomado a partir de la necesidad práctica del ajuste de
variogramas anidados.

Otro fenómeno interesante relacionado con un comportamiento direccional de

la variabilidad es el llamado efecto proporcional donde los variogramas presentan el
mismo alcance y diferentes mesetas, pero Néstas son una función de la media de W en
cada dirección. El efecto proporcional puede ser directo (cuando aumenta la meseta
junto con las medias) o inverso, y se determina mediante un gráfico en el plano de las
varianzas direccionales contra las medias direccionales. La solución básica de estos
casos está ligada con la división de cada variograma por su respectiva media
direccional (David, 1977, p. 172).

- Zona de Influencia.
- Tipo de variograma.

2.2.5. Simulación condicional

24
 Es en la actualidad una herramienta importante en las aplicaciones prácticas de
la geoestadística. Sin embargo, la creación de esta teoría, su formulismo y su
implementación práctica se remontan a principios de la década de los 70,
principalmente en el Centro de Geoestadística de Fontainebleau, Centro de
Investigación de la Escuela Nacional Superior de Minas de París, dirigido en ese
entonces por el geomatemático francés Dr. Georges Matheron (1930-2000).

Por definición, llamaremos simulación de una función aleatoria a la obtención

numérica de una o varias realizaciones. Si consideramos una variable regionalizada
conocida en los puntos experimentales x1, x2, ..., xN:

La simulación condicional consiste en construir una realización que posee el

mismo histograma – por consiguiente, la misma ley media y la misma varianza –, el
mismo variograma que los datos disponibles, además de estar condicionada por estos
datos experimentales z(x1), z(x2), . . ., z(xN). Es decir, donde existen datos,
simulación y realidad coinciden.

Figura 12: 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.

RECUPERADO: TESIS - La Simulación Condicional en un Depósito Minero.UNIVERSIDAD DE

CHILE – 2008

25
 La simulación condicional de conjuntos aleatorios es importante en la
simulación condicional de un borde geológico. En algunos casos el modelo
matemático es bastante complicado.

La simulación de dos facies o unidades. En el caso de simular más facies, la

situación se complica y hay que utilizar métodos más elaborados como el método
gaussiano cortado y el método pluri gaussiano.

El método gaussiano cortado consiste en obtener una realización de una

función aleatoria Y(x, y) gaussiana reducida (con media 0 y varianza 1) y luego
aplicar diferentes cortes – o intervalos del tipo a < Y ≤ b – a la realización, los cuales
definen las unidades.

Figura 13: 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.

RECUPERADO: TESIS - La Simulación Condicional en un Depósito Minero. UNIVERSIDAD DE CHILE – 2008

26
 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 14: eje de X y Y en plurigaussianas

RECUPERADO: TESIS - La Simulación Condicional en un Depósito

Minero.

UNIVERSIDAD DE CHILE – 2008

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.

La simulación condicional de los modelos gaussiano cortado y plurigaussiano

es relativamente simple

27
 Figura15: 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.

RECUPERADO: TESIS - La Simulación Condicional en un Depósito Minero.

UNIVERSIDAD DE CHILE - 2008

2.2.6. Histogramas.

La distribución que toman los datos estudiados según rango de leyes puede
apreciarse más claramente al hacer los histogramas de frecuencias para cada variable

28
 Figura16: histogramas de frecuencia de las variables de estudio.

Fuente: Montoya, 2008

Que los histogramas de todas las variables presentan una distribución

asimétrica similar, pero un poco más sintetizada debido al mayor tamaño de
composito. Es posible verificar la relación existente entre ambas distribuciones por
medio de la construcción de un gráfico cuantil contra cuantil para ley de CuT.

2.2.7. Q-Q plot

En la representación del grafico tiende a marcar una similitud entre las

distribuciones de leyes de CuT en selección final vs. El dominio con tendencia a una
recta esto significa que las distribuciones de los dos grupos de datos tienen
aproximadamente la misma forma pero posiblemente no tiene la misma dispersión ni
la misma media, esto es decir se refleja que para los datos de CuT en la selección

29
escogida, el valor promedio es mayor y la dispersión es menor que lo representado
por el dominio global.

Figura 17: Q-Q Plot entre las distribuciones de leyes de CuT en

selección final VS dominio globlal.

Fuente: Montoya, 2008.

2.2.8. Variografia.

Su objetivo es conocer a continuidad de la variable en estudio, debido a que

los valores observados en distintos puntos del espacio pueden estar correacionados.

Ya que los valores de una variable regionalizada no son independientes, en el

sentido que un valor estimado en un sitio proporciona informacio sobre los valores de
los sitios vecinos. En la interpretación probabilística de la variable regionaizada esta
nocion intuitiva de dependencia esta descrita por a distribución espacial de la función
aleatoria, que mola la manera de como se realcionann los valores distintos sitios por
una distribución de probalidad.

Para identificar agun tipo de anisotropía se realiza primero un análisis de los

mapas variograficos.

30
Figura 18 : mapa variograficos para gaussiana CuT en xy, xz, yz.

Fuente: Montoya, 2008

Se construyen los mapas variograficos para la variable principal CuT, plano

XY donde indica levente que este variograma puede presentar una anisotropía en las
en las direcciones N90°W, ya que para distancias pequeñas (centro del mapa) se
aprecia que los valores de variograma son distintos en estas direcciones. Lo mismo
ocurre al observar los mapas entre las direcciones horizontales con la vertical (planos
XZ, YZ). Es necesario entonces calcular variogramas experimentales de manera más
específica con tal de definir claramente esta anisotropía.

2.3. Ventajas y Desventajas

Ventajas

- Obtener Isatis implica aprovechar una probada solución de software en

distintas ramas, incluida la minería, el petróleo y el gas y el medio ambiente, pero
también una gran cantidad de campos como hidrogeología, oceanografía, silvicultura,
agricultura o arqueología.
- Con Isatis, se beneficia de un entorno integrado en el que todas las operaciones
pueden almacenarse y reproducirse de forma automática.
- Isatis brinda acceso al conjunto más exhaustivo de metodologías
geoestadísticas probadas y avanzadas, con una cantidad impresionante de algoritmos
de kriging y simulaciones disponibles
- Cada año, disfruta de metodologías innovadoras para modelos geoestadísticos
mejorados.

31
- 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
2.4. Uso del software

ISATIS tiene un conjunto integrado y completo de herramientas para la

geoestadística mineras donde sus herramientas son adecuadas para diferentes
situaciones:
- Estimación
- Simulación
- Lineal, no lineal
- 2D, 3D
- Univariante, multivariado
- Herramientas integradas
2.4.1. Herramientas para la adquisición y gestión de datos.

- integracion
- Estadísticas
- Estadísticas espaciales
- Visualización
- Identificar tendencias
- Validación
- Validación
- Buscar duplicados
- Errores de datos
- Valores perdidos
- Errores de numero de muestra
- Evaluar el impacto de los valores atípicos.

32
2.4.2. Herramientas de gestión e integración de datos

ISATIS trabaja con todos los datos disponibles.

- Puntos, agujeros de perforación, modelos de bloques,

- marcos de cables, fallas, polígonos.
- Tipos de datos: ensayo, densidad, geología, geofísica
- Capacidades multivariantes
- Migrar herramientas
2.4.3. Herramientas para el análisis de datos espaciales, únicos interactivos y
dinámicamente vinculados.
- Mapas base, histogramas
- Diagramas de dispersión
- Diagramas QQ
- Gráficos PP
- Variogramas experimentales
- Nubes de variogramas
- Mapas de variogramas
2.4.4. Herramientas para la estimación de recursos in – situ

Métodos de estimación: kriging, indicador de Kriging.

- Herramientas de validación
- Herramientas de informes
- Herramientas de visualización
- Herramientas de documentación
- Herramientas de flujo de trabajo
-
2.4.5. Herramientas para la estimación de recursos recuperables.

Método de Gauss

33
 - Adaptación de anamorfosis gaussiana interactiva
- Acondicionamiento uniforme por grado de panel de kriged
- Cambio de soporte con opción de estimación de efecto de
información 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
2.4.6. Herramientas para la simulación.

- Simulando variables categóricas(geología)

- Simulando variables continuas(grado)

2.4.7. Herramientas para la productividad.

Se puede grabar cualquier función Isatis en un archivo por lote, es
muy flexible con bucles y otras herramientas de programación, tiene una
buena forma de generar flujos de trabajo eficientes y documentar
procedimientos.

2.4.8. Herramientas para ayudar a clasificar los recursos.

- Varianza de Kriging
- Cálculo directo de Intervalos de Confianza
- Pendiente de Regresión y otros parámetros de kriging para
clasificación
- Simulaciones
- Intervalos de confianza de simulaciones

34
 Figura 19: Intervalos de confianza de simulaciones.

Fuente:Geovariances.

2.4.9. herramientas para ayudar a las funciones de control pendiente.

- Los flujos de trabajo personalizados y las potentes capacidades

de procesamiento por lotes admiten actualizaciones rápidas de modelos de
recursos y simulaciones.
- Realiza actualizaciones periódicas (incluso diarias) con nuevos
datos posibles para fines de control de grado.
- Estimar e informar con polígonos y estructuras alámbricas que
representan explosiones individuales.
- Usa polígonos para informar las estimaciones de bloques para la
entrada a tu proceso de reconciliación de recurso /fábrica.

2.4.10. Modelado de variogramas en ISATIS.

Variables estacionarias.

- Modelado de variogramas 2D-3D con geometría y / o anisotropías zonales.

- Visualización multidireccional de experimental variogramas
- Conjunto exhaustivo de modelos de variograma.

35
 - Adaptación gráfica interactiva de variogramas.
- Montaje automático de alféizar simple y cruzado variogramas
- Ajuste automático de variograma de multivariante, variogramas
multidireccionales y multiestructura a partir de una combinación dada de básicas
estructuras en cada dirección y para cada variable.
- Modelado de variograma gaussiano truncado: ajuste las funciones aleatorias
gaussianas subyacentes de variables o indicadores de efecto cero.
- Adaptación de un modelo puntual utilizando un modelo 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, histogramas
ponderados, soporte global corrección incluyendo efecto de información con grado -
Cálculo de curvas de tonelaje, modelado de indicadores y variables de efecto cero. Apoyo
gaussiano corrección.
Variograma modelado multivariable.

Caso de estudio de Fierro.

El modelo multivariable considera las mismas direcciones de anisotropía que en el

caso univariable, además el modelo univariable se incluye en el multivariable. Las mesetas
se obtienen por medio del ajuste automático de mesetas implementado en el software
Isatis.

36
 Ecuación: variogramas modelados nultivariables.

Figura 20: Ajuste de variograma modelado caso de estudio fierro (Anisotropia: en

rojo omnihorizontal y en violeta vertical

En este caso la proporcionalidad entre el variograma modelado univariable y

multivariable se aprecia para la variable acumulación de fierro con acumulación de sílice
(figura 9.6 con respecto de 9.1 y 9.3), la acumulación de fierro magnético con la
acumulación de sílice (figura 9.4 con respecto de 9.2) y la acumulación de fierro
magnético con la acumulación de fierro (9.5 con respecto de 9.2).Esta proporcionalidad
hace notar que las variables acumulación de fierro y sílice individualmente presentan una
variabilidad en el espacio similar, pues sus variogramas simples tienen formas muy
parecidas uno con respecto del otro. Por otra parte, estas dos variables presentan un
variograma cruzado parecido al simple, por lo que la variabilidad entre ellas es similar a la
variabilidad de cada una por sí sola. En este caso se está en un modelo cercano al de
correlación intrínseca para estas variables.
Para el caso de la acumulación del fierro magnético, la forma del variograma
modelado simple es proporcional con el cruzado para las dos variables restantes del caso
de estudio. Esto se nota en las figuras 8.2 con respecto de 8.4 y con respecto de 8.5. En
este caso no se está frente a un modelo de correlación intrínseca dada la falta de
proporcionalidad con los variogramas simples de las variables acumulación de fierro y
acumulación de sílice.

Caso de estudio polimetálico.

37
 El modelo multivariable considera las mismas direcciones de anisotropía que en el
caso univariable. Las mesetas se obtienen por medio del ajuste automático de mesetas
implementado en el software Isatis. A continuación, se presenta la ecuación del modelo.

Ecuación: Variograma modelado multivariables casos de estudio polimetálico.

Figura 21: Ajuste de variograma modelado univariable caso polimétalico

(anisotropia: en verde dirección este, en rojo dirección norte y en violeta dirección
vertical)

38
 Como se aprecia en la figura 12, la estructura de corto alcance corresponde a la
dirección este, la que se grafica de color verde en la figura en cuestión. El ajuste del
variograma modelado en este caso es difícil dado lo errático del variograma experimental,
sobre todo en variables como el antimonio que presentan un número menor de datos.

Figura 22: Ajuste de variograma modelado univariable caso polimétalico

(anisotropia: en verde dirección este, en rojo dirección norte y en violeta dirección
vertical).

39
 CONCLUSIONES

 La estimación de un depósito mineral económicamente rentable es

fundamental para la minería, en especial, cuando la minería es la principal fuente de
ingreso, no obstante, la dificultad que esto conlleva puede ocasionar muchos errores, por
lo general humanos, los cuales pueden afectar terriblemente un proyecto y llegar a
ocasionar pérdidas económicas muy altas, para disminuir estos errores humanos, ahorrar
tiempo y simplificar la estimación, los software se han vuelto de vital importancia, como
se pudo observar, con unos simples comandos ISATIS pudo analizar datos de una
manera muy simple y rápida, además de proporcionarnos de una forma visual muy
simplificada.

 La utilización de este tipo de software en la minería, sobre todo en el área de

la estimación, geología y minería, proporciona un aumento en al eficiencia y eficacia,
disminuyendo así los riesgos que pueden estar asociados al error humano y ahorrando
mucho tiempo, es por esto, que la comprensión de estos tipos de software es vital en la
minería, ya que estos pueden presentar problemas y pueden errar si al momento de
utilizarlos no se conoce el programa o se ingresó mal algún dato y es importante saber
como detectarlos y solucionarlos a tiempo.

 Con el uso de estos softwares, se tendrá acceso al potencial informático para

la gestión de recursos minerales.

 Se puede diseñar y gestionar la explotación de una mina Por tajo abierto y

método subterráneo

 Al ser un software costoso nos ofrece muchas más herramientas,

simulaciones y funcionalidades para tener mayor precisión en los resultados.

 Isatis es aplicable en distintas carreras, tales como: minería, petróleo, gas,

medio ambiente, hidrogeología, oceanografía, silvicultura, agricultura o arqueología.

40
 REFERENCIAS BIBLIOGRAFICAS

- Bleines, C., Deraisme J., Geffroy, F.,Parseval, S., Rambert, F.,Renard, D. &.
Touffait,Y. (2001): ISATIS Software Manual. Geovariance and Ecole des Mines de Paris.
- Business Solutions Group Institute. (2017). Diplomado programa internacional
en Geoestadistica Aplicada ala Evaluacion de Recursos Mineros.
- Clark, I. (1977). Practical Geostatistics. Geostokos Limited, United Kingdom.
Versión digital. Consulta: 28-sept-2009. Disponible en:
http://uk.geocities.com/drisobelclark/PG1979. 119 p.
- David, M. (1977): Geostatistical ore reserve estimation. Elsevier Scientific
Publishing Company. New York, 364 p.
- Deutsch, C. &. Journel, A. (1998). GSLIB : Geoestatistical software library
and User’s Guide. Oxford University Press, New York, 369 p.
- Galvez, I. (2011). Comparacion de vecindades del CoKriging para estimar una
Corregionalizacion : “Facultad de Ciencias Fisicas y Matematicas – Departamento de
Ingenieria de Minas” (Tesis de Título Universitario). Universidad de chile.
- Hart, D. & Rudman, A. J. (1997). Least-squares fit of an ellipse to anisotropic
polar data: application to azimuthal resistivity surveys in Karst regions. Computers &
Geosciences 23(2): 189-194.
- https://www.geovariances.com/wpcontent/uploads/2016/09/geovariancesisati-
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

41