RESUMEN

TABLA DE CONTENIDO

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......................................................................................................................................7
2.2.1. Modelos de variogramas....................................................................................................7
2.2.2. Método de inverso ala distancia.......................................................................................13
2.2.3. Método de inverso ala distancia al cuadrado..................................................................16
2.2.4. Modulo del Kriging..........................................................................................................20
2.2.5. Simulación condicional.....................................................................................................27
2.3. Ventajas y Desventajas............................................................................................................30
2.4. Uso del software.......................................................................................................................31
2.4.1. Herramientas para la adquisición y gestión de datos.....................................................31
2.4.2. Herramientas de gestión e integración de datos.............................................................32
2.4.3. Herramientas para el análisis de datos espaciales, únicos interactivos y dinámicamente
vinculados....................................................................................................................................32
2.4.4. Herramientas para la estimación de recursos in – situ..................................................32
2.4.5. Herramientas para la estimación de recursos recuperables..........................................33
2.4.6. Herramientas para la simulación....................................................................................33
2.4.7. Herramientas para la productividad...............................................................................33
2.4.8. Herramientas para ayudar a clasificar los recursos.......................................................33
2.4.9. herramientas para ayudar a las funciones de control pendiente...................................34
2.4.10. Modelado de variogramas en ISATIS...........................................................................35
CONCLUSIONES...............................................................................................................................40
RECOMENDACIONES......................................................................................................................41
REFERENCIAS BIBLIOGRAFICAS.................................................................................................41
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.

 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.

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.

Fifura 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 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.
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.

2.2.1.1. 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

 Figura 3: modelo variograma pepitico
Fuente: BS Group, 2017.

2.2.1.2. Variograma esférico

De alcance a y meseta C se define como:

Ecuación: variograma eferico

Figura 4: variograma esférico

Fuente: BS Group, 2017
2.2.1.3.Variograma Exponecial

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.

2.2.1.4. Variograma Gaussiano

De parámetro a y meseta C se define:

 Ecuación: variograma gaussiano

La meseta se alcanza asintoticamente y el alcance practico puede considerarse

igual a a raíz(3).

Figura 6: variograma gaussiano

Fuente: BSGroup, 2017
2.2.1.5. 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

2.2.1.6. 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.

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
 Ecuacion: Z(x), λi,

DISTANCI
PUNTOS A OBERVACION EJEMPLO APLICATIVO
S1-P 212 NO PROCEDE
S2-P 158 NO PROCEDE
Se tiene un grupo de sondajes con
S3-P 158 NO PROCEDE
las S4-P 158 NO PROCEDE siguientes muestras. Hallar la
S5-P 71 PROCEDE
S6-P 71 PROCEDE estimación de ley en el punto P,
S7-P 158 NO PROCEDE
se S8-P 71 PROCEDE encuentra en el centro del
S9-P 71 PROCEDE
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
 Fuente: elaboración propia

Tabla
Distancia y leyes de sondajes.

DISTANCI
PUNTOS A LEY (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
lambda 3 0.25
lambda 4 0.25
SUMATORI
A 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.

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

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

PUNTO DISTANC OBERVACI

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

Tabla
Distancia y leyes de los sondajes
DISTANCI
PUNTOS A LEY (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.

Tabla
Ponderador asociado a la distancia
POND. 2
lambda 1 0.54
lambda 2 0.20
lambda 3 0.13
lambda 4 0.09
lambda 6 0.06
lambda 7 0.13
Feunte: elaboración propia.
Valor estimado P(x): 1.10% ley.

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

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

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).

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.

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.

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:

a) 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 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.

b) 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

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

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

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

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. Análisis multivariable

2.2.7. Geo estadística lineal

2.2.8. Geo estadística no lineal

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.

- 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.

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

- 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

Figura 16: 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.

- 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.

Ecuación: variogramas modelados nultivariables.

Figura: 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.

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.

 Figura17: Ajuste de variograma modelado univariable caso polimétalico

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

dirección vertical)

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.
 Figura18: Ajuste de variograma modelado univariable caso polimétalico

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

dirección vertical).

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.

RECOMENDACIONES

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

ANEXOS