Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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.
3
CAPITULO I
FORMULACION DE OBJETIVOS
Objetivo General
Objetivo Específicos
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.
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.
2.2. Módulos
2.2.1. Modelos de variogramas.
6
Figura 2: Representación del variograma
A. Variograma Pepitico
7
Figura 3: modelo variograma pepitico
B. Variograma esférico
8
C. Variograma Exponencial
D. Variograma Gaussiano
9
La meseta se alcanza asintoticamente y el alcance practico puede considerarse
igual a a raíz(3).
E. Variograma Senocardinal
10
F. Variograma potencia
11
2.2.2. Método de inverso ala distancia
Donde:
Donde:
12
Ecuacion: Z(x), λi,
EJEMPLO APLICATIVO
Tabla
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
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
POND. 1
lambda 1 0.25
lambda 2 0.25
14
lambda 3 0.25
lambda 4 0.25
SUMATORIA 1
Fuente: elaboración propia
Características de IVOR
15
Ecuación: ponderador asociado a la muestra Li
Donde:
Ecuación: Z(x), λi
EJEMPLO APLICATIVO
Se tiene las siguientes muestras y se desea estimar el punto centro del bloque
para determinar la ley.
16
Consideraciones a tener en cueta:
Tabla
Tabla
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
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”.
18
Figura11: comportamiento del ponderador al aumentar la potencia
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.
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.
- 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:
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.
- Efecto pepita.
- 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:
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.
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.
- Zona de Influencia.
- Tipo de variograma.
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).
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.
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.
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.
26
Las Plurigaussianas.
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).
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.
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.
29
escogida, el valor promedio es mayor y la dispersión es menor que lo representado
por el dominio global.
2.2.8. Variografia.
30
Figura 18 : mapa variograficos para gaussiana CuT en xy, xz, yz.
Ventajas
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
- 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
- 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
34
Figura 19: Intervalos de confianza de simulaciones.
Fuente:Geovariances.
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.
36
Ecuación: variogramas modelados nultivariables.
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.
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.
39
CONCLUSIONES
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