Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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,
la gran minería en donde las inversiones necesarias son mucho más elevadas al igual que
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,
3.4.3, los puntos a tratar serán el análisis de datos (EDA), despliegue de datos, análisis
Objetivo General
Objetivo Específicos
CAPITULO II
DESARROLLO DEL TEMA BASES TEORICAS
2.1. Aplicaciones
Isatis es único entre los paquetes de software de geoestadística, ya que proporciona el
- Visualiza con precisión los datasets y los modelos de bloque con el módulo de visor
3D.
sobre todo, a una necesidad abrumadora de la calidad de los datos y la evaluación del
riesgo.
2.2. Módulos
distancia máxima y la forma en que un punto tiene influencia sobre otro punto a
diferentes distancias.
métodos de interpolación que lo ocupan como información base, es por esto que una
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
matemático para definir el ponderador que se aplica a cada una de las muestras
igual a a raíz(3).
variograma vale1.21*C.
Figura 7: variograma seno cardinal
Fuente: Bs Group, 2017
igual 1.
Figura 8: variograma potencia
Fuente: BS Group, 2017.
interpolaciones.
2015, p. 3).
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.
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
Se basa en la hipótesis del potencial químico (regla de los cambios graduales). Esta
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
Características de IVOR
tamaño.
comportamiento variable.
EJEMPLO APLICATIVO
Se tiene las siguientes muestras y se desea estimar el punto centro del bloque para
determinar la ley.
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.
decir que ante un aumento sustancial de la ley media del modelo cuando se utilizan
evaluados hasta el 60 la tendencia que presenta la ley final del bloque se estabiliza en
el valor 1.5%.
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
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
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
dominio D que se investiga, y esta variabilidad se expresa por el variograma γ(h) que
como:
Donde debe anotarse que son considerados k puntos (k≤n) para realizar esta
estimación.
- si la media no es conocida.
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
siguiente:
Donde se ha simplificado la notación tomando γij = γ(Pi ,Pj) y tomando γiA = γ(Pi
tamaño y la forma del panel A, se tiene que para un conjunto dado de k puntos la
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
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
La práctica de la estimación por kriging tiene mucho de arte: hay que conocer
- Efecto pepita.
i=1,2,…,k.
- Alcance.
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
el valor puntual del variograma para cada una de las distancias menores
cambios del valor del alcance. Para valores relativamente altos de este
último con respecto a las distancias entre los puntos relacionados con
valor de We.
- Meseta.
décadas, la doctora Isobel Clark (1977) planteaba que: “la anisotropía era el
situado en esa dirección a una distancia Amax deberá tener el mismo peso
pregunta. ¿Qué valor tomar como alcance general: ¿Amin, Amax, otro? La
b) Zonal. Existen zonas del dominio tal que los variogramas direccionales
(Deutsch & Journel, 1998, p. 25), pero esto parece ser una condición impuesta
por casos reales que se encuentran en muy pocas ocasiones. Más bien puede
presentan el mismo alcance y diferentes mesetas, pero Néstas son una función
p. 172).
- Zona de Influencia.
- Tipo de variograma.
variograma que los datos disponibles, además de estar condicionada por estos datos
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
bastante complicado.
se complica y hay que utilizar métodos más elaborados como el método gaussiano
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:
Como estas funciones aleatorias están indexadas con las coordenadas (x, y), a cada
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
relativamente simple
Ventajas
mejorados.
Desventajas
- Estimación
- Simulación
- Lineal, no lineal
- 2D, 3D
- Univariante, multivariado
- Herramientas integradas
- integracion
- Estadísticas
- Estadísticas espaciales
- Visualización
- Identificar tendencias
- Validación
- Validación
- Buscar duplicados
- Errores de datos
- Valores perdidos
- Capacidades multivariantes
- Migrar herramientas
- Diagramas de dispersión
- Diagramas QQ
- Gráficos PP
- Variogramas experimentales
- Nubes de variogramas
- Mapas de variogramas
- Herramientas de validación
- Herramientas de informes
- Herramientas de visualización
- Herramientas de documentación
- Herramientas de flujo de trabajo
Método de Gauss
separado.
Métodos indicadores
recursos y simulaciones.
explosiones individuales.
Variables estacionarias.
zonales.
cero.
- variograma regularizado.
Variables no estacionarias.
- Regularización de variogramas.
- Modelado de histograma (multivariante): anamorfosis función,
el espacio similar, pues sus variogramas simples tienen formas muy parecidas
uno con respecto del otro. Por otra parte, estas dos variables presentan un
restantes del caso de estudio. Esto se nota en las figuras 8.2 con respecto de
dirección vertical)
del variograma modelado en este caso es difícil dado lo errático del variograma
menor de datos.
Figura18: Ajuste de variograma modelado univariable caso polimétalico
dirección vertical).
CONCLUSIONES
obstante, la dificultad que esto conlleva puede ocasionar muchos errores, por lo
ocasionar pérdidas económicas muy altas, para disminuir estos errores humanos,
importancia, como se pudo observar, con unos simples comandos ISATIS pudo
eficacia, disminuyendo así los riesgos que pueden estar asociados al error humano
método subterráneo
Isatis es aplicable en distintas carreras, tales como: minería, petróleo, gas, medio
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.
http://uk.geocities.com/drisobelclark/PG1979. 119 p.
- https://www.geovariances.com/wpcontent/uploads/2016/09/geovariancesisati-
maafk.pdf
- https://www.geovariances.com/en/testimonials/isatis-una-herramienta-de-eleccion-
geoinnova/
- http://www.tesis.uchile.cl/tesis/uchile/2011/cf-galvez_ip/pdfAmont/cf-
galvez_ip.pdf
ANEXOS