Geoestadisitca.pdf

1
MANUAL ENTRENAMIENTO GEOESTADISTICA I STUDIO RM
MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

2
Contents
INTRODUCTION 3
Objetivos 3
Prerequisitos 3
Siglas y abreviaturas 3
Uso del Manual de Capacitacion 3
FOOTPRINT DE SOLUCIONES DE DATAMINE SOFTWARE 4
Gestion de los Datos Geologicos 4
Interpretacion Geologica/Modelo de bloques Geologico y Geoestadistica 5
Este campo del footprint abarca la Solución de Gestión de Recursos/Reservas brinda: 5
Para mayor información, visite sitio web http://www.dataminesoftware.com. 5
COMPOSITACION DE DATOS DE SONDAJE 5
Ejemplos 6
Ejemplo 1: Compositando Sondajes 7
Ejemplo 2: Validacion – Comprobacion de longitudes de sondaje 9
ESTADISTICA Y GEOESTADISTICA 12
Objetivos 12
Ejemplos 18
Ejemplo 1: Analisis Estadistico Exploratorio 18
ANALISIS DE VARIOGRAMA 29
Objetivos 29
Ejemplo 1: Calcular Variogramas 2D 38
Ejemplo 2: Contornos de Variogramas 38
Ejemplo 3: Calculating and Modeling 3D Variograms 40
ESTIMACION 46
Ejemplos 62
Ejemplo 1: Definiendo el volume de busqueda usando ESTIMATE 62
Ejemplo 2: Visualizar el Volumen de Búsqueda usando ELLIPSE 63
Ejemplo 3: Estimar Leyes Múltiples usando Control Zonal y Kriging Ordinario. 64
Ejemplo 4: Estimar Leyes usando Métodos Múltiples de Estimación 69
VALIDACION 76
Ejemplos 79
Ejemplo 2: Interactive Dynamic Evaluation using Strings 82
Ejemplo 3: Evaluación Interactiva usando Wireframes 87
Apendice 1: Studio Field Names 90

Apendice 2: Standard Field Names 101
Apendice 3: Color Codes 102
Apendice 4: Grade Estimation – References 103

3
INTRODUCTION
Objetivos
El objetivo del módulo EGS de Studio RM es obtener la mejor estimación de los recursos de un yacimiento, a través de
la interpretación de la distribución estadística y geoestadística de los datos obtenidos del yacimiento a estimar.
Las tareas relacionadas con la estimación de leyes en Studio RM son:
• Preparación y validación de datos.
• Estadística exploratoria.
• Modelamiento y ajuste del variograma
Prerrequisitos
Es esencial que este familiarizado con los modulos “introductorio y Geologia” de Studio RM. Asi como también tener
conocimientos básicos de temas relacionados a parámetros estadísticos y geoestadisticos.
Los ejercicios del entrenamiento se pueden completar utilizando sus propios datos o en todo caso un conjunto
especifico de datos que se distribuye con el software.
Siglas y abreviaturas
La siguiente table contiene las siglas y abreviaturas utilizadas en el presente documento
Abbreviation Description
DTM Modelo Digital del Terreno
VR Realidad Virtual
DSD Controladores de Fuente de datos
CAD Dibujo asistido por Ordernador
RL Nivel reducido
.dm file Archivos en formato datamine
Uso del Manual de Capacitacion

Para que la informacion sea accessible y facil de entender cada modulo se divide en secciones las cuales se desarrollan
de la siguiente manera:
• Objectivos – En esta seccion se establecen los objetivos y tareas necesarias del modulo.
• Principios – Esta seccion contiene informacion de antecedents e informa los principios basicos
relacionados al modulo.
• Ejemplos – Esta seccion contiene una serie de ejemplos practicos utilizando el conjunto específico de
datos que se distribuye con el software.
• Ejercicios – En esta seccion se le pedira que realice una variedad de tareas en funcion al modulo
desarrollado. Toda la información que necesitas para completar los ejercicios se pueden
encontrar en las secciones de Princ ipios y Ejemplos.

4
FOOTPRINT DE SOLUCIONES DE DATAMINE SOFTWARE

Datamine Software ofrece una serie de soluciones como herramientas sin igual para el Ciclo de Planificación Minera,
como se muestra en la imagen Footprint de Soluciones que aparece abajo. Cada uno de estos sub procesos constituye
una etapa importante y diferente en el proceso de transformación de un recurso mineral en una mina operativa, y
permite que éste se planifique, ejecute y reconcilie en la vida cotidiana.
Datamine Software ha realizado un compromiso estratégico para brindar soluciones en cada sub proceso del Ciclo de
Planificación Minera, con igual capacidad para los clientes en ambientes de tajo abiertos y subterráneos para
operaciones mineras metálicos y no metálicos. Datamine Software brinda soluciones autosuficientes para cada uno de
los cinco sub procesos del Ciclo de Planificación Minera y pueden utilizarse juntos como un todo integrado o
individualmente. Datamine Software tiene una política para asegurar que sus programas sean compatible con sus
principales competidores proporcionando a sus clientes una flexibilidad operacional máxima.
Gestion de los Datos Geologicos

Con una amplia gama de productos el usuario tiene un conjunto de herramientas para el campo de sistemas para la
gestión de los datos geológicos, CAE mining tiene soluciones completas para la exploración. Este campo del footprint
incluye el Sistema de Gestión de Datos Geológicos (GDMS, por sus siglas en inglés) que:
• Da soporte a los planes de exploración con herramientas 2 y 3-D para colocar taladros estratégicos.
• Da soporte a la recolección a distancia, de datos de registro de taladro a mano (DH Lite) así como a la geología
mapeada a distancia (MineMapper).
• Cumple con las normas de regulación y emisión de recursos y reservas de mineral (p.ej. JORC, GUIDE 7,
SAMREC y NI 43-101).
• Brinda visualización de los sondajes diamantinos y de las secciones para la evaluación geológica preliminar.

5
Interpretacion Geologica/Modelo de bloques Geologico y

Geoestadistica
Este campo del footprint abarca la Solución de Gestión de Recursos/Reservas brinda:
• Herramientas geológicas para visualizar, modelar, revisar, analizar y manipular todo tipo de datos geológicos
para proporcionar la mejor interpretación geológica posible.
• Recursos avanzados de modelación y gráficos para estructuras geológicas complejas para la “construcción”
que permiten el krigeage de la mineralización en la forma física original.
• Simulación condicional que facilita la planificación minera basada en estrategias de riesgo de la empresa.
Para mayor información, visite sitio web http://www.dataminesoftware.com.
COMPOSITACION DE DATOS DE SONDAJE
NO utilice nombres de archivo IN u OUT idénticos, ya que perderá los datos originales.
El proceso creará por defecto un sondaje compositado de las longitudes requeridas utilizando promedios de
ponderados de longitudes. Esto se realiza utilizando el campo LENGTH en el archivo de sondaje, el cual registra
la diferencia entre los valores subsecuentes FROM y TO. Si tiene un campo DENSITY en su archivo desurveyed,
entonces el compositado será ponderado de acuerdo su densidad.
Este proceso también incluye parámetros opcionales para registrar pérdidas importantes y recuperarlas.
El intervalo compositado que se requiere y las opciones para ocuparse de las muestras faltantes y un mínimo de
longitudes compuestas se trabaja utilizando los parámetros siguientes: INTERVAL, MINGAP, MAXGAP,
MINCOMP

6
Los parámetros MINGAP, MAXGAP y MINCOMP son opcionales y si el usuario no los establece,
éstos se establecerán por defecto.
Se recomienda que configure MINGAP=0.001 y MINCOMP=0.
El proceso Composite Over Benches le permite compositar los datos de los drillholes sobre bancos
horizontales. El proceso incluye los mismos parámetros que un Composite Down Drillholes excepto que el
START se remplaza por ELEV y se ha añadido el parámetro MAXCOMP. Debe establecer el parámetro ELEV para
un banco válido RL (cota de un banco) y el parámetro INTERVAL para la altura de banco.
Validación
Una vez que se haya compositado los sondajes, sería aconsejable que verifique si la longitud de un drillhole no
compositado coincide con la longitud del drillhole compositada. Existen numerosos comandos en Studio RM
que permiten manipular y registrar estos datos.
El siguiente procedimiento se utiliza para verificar que longitudes dentro de los drillholes coincidan.
Determinar la extensión de cada drillhole agregando extensiones de muestras individuales en drillholes

compositados y no compositados.
Es posible acumular los valores para uno o más campos dentro del Studio RM, utilizando el proceso Sample
Analysis | Statistics Processes | Accumulate on Keyfields (o ACCMLT).
Por ejemplo, si un archivo contiene los campos YEAR MINE CuProdn AuProdn entonces se puede producir los
subtotales de CuProdn y AuProdn para cada valor de YEAR sobre todos los valores de MINE. Con respecto a la
validación de drillholes, se obtendrán los subtotales de LENGTH sobre todos los valores de BHID.
El output es un nuevo archivo que contiene los campos clave y los totales. El formato es idéntico al archivo de
input, excepto que todos los campos alfanuméricos son eliminados, a menos que formen parte de los campos.
En el caso de la validación de las longitudes de drillholes, los campos claves serán BHID y LENGTH.
Ejemplos
Los datos usados para el presente entrenamiento fueron instalados junto con el software de Studio 3 en el folder
C:\Database\DMTutorials\Data\VBOP (open pit) y VBUG (underground). Seleccionar el archive VBUG.
El orebody, representado por los datos, es un deposito hidrotermal Cu-Ag-Au-Co, con presencia de calco-silicatos
y calco-brechas el archivo de sondajes, _udhz, pertenecen a sondajes subterráneos compuesto por 103 sondajes

7
con 6,946 muestras. Los sondajes están orientados en 3 secciones de 45, 90 y 115 grados de azimut. La
Mineralizacion esta clasificada por el camplo, ZONE, en _udhz.
Los archivos requeridos son:
File Name Data type Description

_udhz Drillhole-Sondajes Underground drillholes
Ejemplo 1: Compositando Sondajes
En el presente ejemplo se muestran los paso a seguir para compositor sondajes, con zona de intervalo de 5m de
longitud
El ejemplo usa el código de campo ZOne ( la compositacion se realizara en el campo “Zone”) y el parámetro de
intervalo será 5
El procedimiento de compositacion sera el siguiente
1. Crear un Nuevo Proyecto de Studio RM en la ubicacion C:\Database\Res_Eval.
2. Visualizar el menu de Sample Analysis.
3. Ejecutar el commando Sample Analysis | Prepare Samples | Composite | Composite Down Drillholes
(COMPDH).
4. En el comando COMPDH, define el archivo, y ajuestes de parametros, La siguiente table muestra las
opciones para utilizar con el fin de crear una unica compositacion dentro de cada tipo de roca.

8
COMPDH dialog
Files tab
IN _udhz
OUT udhz5c
Fields tab
BHID BHID
FROM FROM
TO TO
DENSITY DENSITY
CORELOSS
COREREC
ZONE ZONE
Parameters tab
INTERVAL 5
MINGAP 0.05
MAXGAP 0
MINCOMP 0.001
LOSS 0
START 0
MODE 0
PRINT 0
Utilice el botón Browse para explorar y seleccionar los archivos de de entrada

necesarios. En la ventana Fields utilice las flechas desplegables para seleccionar los
nombres de los campos necesarios.
Si el parametro MODE se establece en 1 en COMPDH entonces la longitud del intervalo se

ajusta para incluir todas las muestras, manteniendo lo mas cerca a la longitud del intervalo
original a un compuesto máximo de 1.5
5. El desarrollo del commando se aprecia en la ventana Command.
6. Drillholes folder in the Project Files control bar.
7. El nuevo archivo será mostrara en la carpeta Drillholes de la barra de control de Project Files.
8. SI revisa el archivo creado por el Table Editor. Por cada sondaje en la mayoria habra intervalos de 5m,
teniedo en cuenta que los compositos no generen cruces en las diferentes zonas

9
Cualquier campo definido como campo character por ejemplo LITH no formara parte de la
compositacion.
Ejemplo 2: Validacion – Comprobacion de longitudes de sondaje
Este ejemplo describe los paso necesarios para comprobar que la longitud del sondaje (_udhz) coincida con los
sondajes compositados (udhz5c).
1. Ejecutar el comando Applications | Statistical Processes | Statistical Utilities | Accumulate on

Keyfields o ACCMLT
2. En la fila de archivos seleccionas el archivo de sondajes que no ha sido compositado y definir un archivo
de salida.
3. En el Fields tab especifique el campo key(s) en el que se acumulan. En este caso queremos obtener la
longitud total de cada BHID por lo tanto KEY1 sera establecido a BHID.
4. En la ficha Parameters se puede especificar si se desea totales acumulados para cada BHID a escribirse
al archivo de salida mediante el establecimiento ALLRECS a 1. Si el archivo no está ordenada en el campo
clave Entonces UNSORTED no deberia tener el valor 1.
5. La tabla siguiente es un ejemplo de los valores a introducir a fin de obtener el archivo contiene un valor
acumulado para cada perforación:
ACCMLT dialog
Files tab

10
IN _udhz
OUT xxudhz
Fields tab
KEY1 BHID
Parameters tab
ALLRECS 0
UNSORTED 1
6. El archive resultante (xxudhz) contendrá un registro por cada sondaje. El valor total para cada campo
numérico, incluyendo LENGTH se habrá calculado.
7. Corra el comando ACCMLT una segunda vez en el archivo del sondaje compositado. Asegúrese de que
se asigna un nombre de archivo de salida diferente.
8. Ambos archivos ahora requieren la clasificación en el campo LENGTH. Use el comando Data | Data
Tools | Sort (MGSORT) y entre LENGTH en el campo Key1:
MGSORT dialog
Files tab First run Second run
IN xxudhz xxudhz5c
OUT xxudhz_s xxudhz5c_s
Fields tab
KEY1 LENGTH LENGTH
Parameters tab
ORDER 1 1
Ahora puede comparar bien el contenido de los dos archivos de salida para las discrepancias o puede utilizar el
comando Data | Data Tools | Relational | Difference (DIFFRN) para crear un archivo que contenga cualquier
discrepancia.
En este ejemplo, si se compara el valor registrado en el campo de longitud de la perforación VS004 va a ver que
varían ligeramente, por ejemplo
Drillhole Output file Length

Composited C:\Database\Res_Eval\xxudhz_s 131.970004
Un-composited C:\Database\Res_Eval\xxudhz5c_s 131.970006
Estas diferencias menores pueden ser eliminados mediante el redondeo A menudo, el valor a dos cifras
decimales. Sin embargo, si se va a ejecutar el comando en DIFFRN Estos dos archivos A continuación, el sistema
sería identificar la diferencia es VS004.

11
Los siguientes pasos muestran el procedimiento para redondear el valor del campo LENGTH con dos decimales.
1. Corra el comando Edit | Transform | General o escriba EXTRA en la barra de control Command.
2. Defina el archivo de entrada y salida. Para los efectos de este ejemplo, el nombre del archivo de entrada
será xxudhz_s.
3. En el cuadro de diálogo Expression Translator la expresión que sigue:
4. Esta operación tiene el valor almacenado en LONGITUD lo multiplica por 100 añade0,5 para asegurar
redondeo correcto, entonces toma el valor entero y dividido por 100. Repita este proceso en el segundo
archivo xxudhz5c_s.
5. Ahora corra el comando Data | Data Tools | Relational | Difference (DIFFRN) el uso de la salida de cada
comando EXTRA. El archivo de salida contendrá cualquier discrepancia. Si el archivo resultante está vacía
Luego están las discrepancias.

12
ESTADISTICA Y GEOESTADISTICA
Objetivos
El objetivo de este modulo es maximizar el valor de los recursos a través del conociemiento de la distribución
estadística y geoestadistica del conjunto de datos.
Las tareas relacionadas con la estimación dentro del Studio RM son:
• Preparacion y validación de datos

• Exploracion estadística
• Desagrupacion “Declustering” y “Top cutting”
En el presente modulo se desarrollaran los procesos necesarios para poder alcanzar el objetivo.
Principios
Estadistica Vs Geoestadistica
El término estadística se refiere al conjunto de herramientas matemáticas usadas para el análisis,

interpretación y presentación de los datos.
La Geoestadistica se define como la aplicación de la teoría de las variables regionalizadas a la estimación de los
recursos mineros. Las técnicas geoestadísticas se pueden aplicar en una variedad de disciplinas y en este curso
se usará para describir la distribución de las leyes.
Tanto la estadística como la geoestadística pueden usarse para proporcionar una mejor interpretación de los
datos recolectados y brindar un conocimiento profundo en cuanto a la distribución espacial de la
mineralización.
Estadistica Basica
La Estadistica se ocupa de la organizacion y presentación de variables, las siguientes herramientas son utiles
para describir y presentar los datos
• Estadística de resumen comando STATS

o El número total de registro.
o El número total de muestras.
o El número de valores perdidos.
o Mínimo, máximo y rango.
o Total y media.
o Varianza (la varianza es un estimador de la dispersión de una variable
o aleatoria respecto a su esperanza).
o Desviación estándar.
o Error de estándar (es la diferencia de las desviaciones estándar de los valores medidos y
valores reales).
o Skewness o Asimetría.
o Kurtosis.
o Media geometría.
o Suma y medios de los logaritmos naturales.
o Estimación del logaritmo de la media
• Tablas de frecuencia e histogramas (Histograma desde la ventana PLOTS)
• Tablas de frecuencia acumulativa (Histograma desde la ventana PLOTS)
• Plots de Probabilidades Normal y lognormal (Histograma desde la ventana PLOTS)
La tablas de frecuencia registran los valores de frecuencia que caen dentro de los intervalos definidos
por el usuario, a continuación se presental los datos en la forma de un grafico de barras

13
Otra forma de visualizar simultáneamente dos histogramas mediante líneas graficas
Histograma acumulativo: representación gráfica acumulada de todas las muestras en todos los intervalos hasta
el intervalo final. Se representan como barras o líneas de frecuencia acumuladas

14
En algunos casos las herramientas de estimación utilizados en las técnicas de interpolación de interpolación
funcionan mejor si la ditribucion es normal.
Todas las distribuciones normales son simétricas y tienen curva en forma de campana con un solo pico. Por lo
tanto puede ser útil saber que tan cerca la distribución de los datos es normal. Un grafico de probabilidad
normal es un tipo de grafico de frecuencia acumulativa.
Un grafico de probabilidad normal, las frecuencias acumulativas se trazan una línea recta si la distribución es
normal, muchas variables tienen distribuciones que no están ni siquiera cerca de lo normal.
Es común tener muchos valores muy pequeños y algunos muy grandes y en estos casos una distribución
normal puede ser una alternativa. Una variable se distribuye lognormal si la distribución del logarotmo de la
variable es normal.
Estadisticas Bivariable
Son los procedimientos estadísticos que se pueden aplicar a los datos para describir la relación entre dos
variables por ejemplo: leyes de oro y cobre.
En Studio RM el comando Sample Analysis | Statistics Processes | Bivariate Statistics (CORREL); se utiliza
para calcular las estadisticas de dos variables en pares de campos numéricos, los siguientes resultados se
muestran en la ventana de comandos:
• Resumen de media y varianza de cada campo numérico

• Matriz del numero de muestra
• Matriz de correlacion (la fuerza y dirección de una relación lineal entre dos variables aleatorias) los
coeficientes de correlacion pueden variar desde – 1 a +1
o -1 representa una perfecta correlacion negativa ( es decir los valores de una variable como
aumento de los valores de la segunda variable de disminución)
o 0 representa una falta de correlacion
o 1 representa la perfecta correlacion positiva ( es decir los valores de ambos aumentan)
• Matriz de covarianza (medida de la cantidad de dos variables aleatorias, varían juntos).
El coeficiente de covarianza será mayor que 0 si las dos variables tienden a aumentar juntos, por
debajo de 0 si tienden a disminuir juntos y 0 si son independientes.
• Matriz de relación F: la relación F se utiliza para determinar si las varianzas en dos variables son
iguales.

15
• Matriz de la prueba t pareada: Determina si dos variables difieren entre sí de una manera
significativa. Se supone que las dos variables se distribuyen normalmente. Cuanto menor sea el valor,
mayor será la diferencia entre las dos variables.
Los valores atípicos pueden tener un gran efecto en los resultados del análisis bivariante como se ilustra
mediante el coeficiente de correlación en las siguientes imágenes.
Scatter Plot of AU and CU Scatter Plot of AU and CU
6000 4000
Correlation Coefficient = -0.02 3500

5000
3000
4000 Outlier 2500
CU
CU
3000 2000
1500
2000
1000
1000 Correlation Coefficient = 0.91
500
(outlier has been removed)
0 0
0 2 4 6 8 10 12 14 16 0 2 4 6 8 10 12 14 16
AU AU
Un diagrama de dispersión es una herramienta útil para identificar valores atípicos. En Studio RM las Sample
Analysis | Charts| Point/Line Plot se utiliza para crear gráficos de dispersión.
QQ Plots
QQ plots es utilizado para comprobar si hay un sesgo en las muestras. QQ Plot es un gráfico de los cuantiles de
un tamaño de la muestra (por ejemplo sondajes BQ) contra los cuantiles de otro (por ejemplo sondajes NQ2),
cuando un cuantil se define como la fracción (o porcentaje) de puntos por debajo del valor dado. Por ejemplo,
el cuantil 0,2 (20%) es el punto en el que 20% de los datos se encuentran por debajo de 80%. Si los dos
conjuntos provienen de una población con la misma distribución, los puntos deben encontrarse
aproximadamente a lo largo de la línea de referencia de 45°. En Studio RM PPQQPLOT es utilizado para
generar gráficos QQ.
QQ Plots mostrara un sesgo, pero no va a mostrar un sesgo aceptable
Declustering
El proceso de declustering se ejecuta para un número de tamaños de grillas y la media, la varianza y el número
de muestras comparadas. El tamaño de la grilla que restituye el valor mínimo de la media es el más apropiado
para usar. Ejecute el comando por el menú Sample Analysis | Statistics Processes | Decluster Sample Data o
escriba DECLUST en la línea del comando.
Métodos:
• 1: selecciona una muestra al azar dentro de cada celda de grilla. Una nueva muestra tomada al azar es
generada cada vez que ejecutemos.
• 2: selecciona una muestra al azar dentro de cada celda de grilla. La misma muestra 'arbitraria' es
generada cada vez que ejecutemos.

16
• 3: selecciona la muestra más cerca al centro de celda de grilla.

• 4: calcula el valor medio de todas las muestras dentro de la celda de grilla.
En el siguiente ejemplo: una grilla 2X2 ha sido definida sobre un conjunto de datos como se muestra a
continuación.
Metodo= 1 y 2
Seleccionar una muestra al azar dentro de cada celda de la grilla.
Si el proceso decluster se repitió utilizando el método 2 se seleccionarían los mismos puntos. Si se ha utilizado
el método 1 se seleccionarían diferentes puntos
Metodo =3
Selecciona las muestras que se encuentran cerca al centro de la grilla

17
Metodo=4
Calcula el valor medio de todas las muestras dentro de la celda de la grilla.
La muestra resultante se coloca centralmente con respecto a la ubicación de los datos originales
Peso Declustered
Cada muestra se le asigna un peso, basado en el número de muestras en la celda de cuadrícula. El peso de
cada muestra (DCWEIGHT) se calcula como:
DCWEIGHT = NDATA / NCELLS / NPERCELL
Donde:
• NDATA: número total de muestras

• NCELLS: número de celdas de la cuadrícula que contiene uno o más muestras
• NPERCELL: número de muestras en la celda de cuadrícula
La suma de los pesos sobre todas las muestras es igual al número total de muestras (NDATA). Por lo tanto si
una muestra se encuentra en una zona de alta densidad que tendrá un peso de menos de 1, y si es en una zona
de baja densidad que tendrá un peso de más de 1. El archivo de salida del método Declustered de peso puede
ser utilizado para transformar los datos en una distribución normal, para la entrada a los procesos NSCORE o
SGSIM.

18
Uno de los problemas con la desagrupación es que diferentes tamaños de cuadrícula generarán diferentes
estadísticas. Sin embargo, en general se sugiere una cuadrícula regular sobre el tamaño de la separación
promedio de la muestra.
El proceso escribe una tabla resumen para cada método de la ventana de salida:
1. Selección de la muestra - esto muestra los parámetros estadísticos para cada campo numérico en
el archivo de salida.
2. Declustered Peso - esta muestra el peso declustered como una función del número de muestras
por celda de la cuadrícula.
Ejemplos
Ejemplo 1: Analisis Estadistico Exploratorio
En este ejemplo se describe el procedimiento para el análisis del sondaje _udhz utilizando los siguientes métodos:
• Creación de zonas
• Zonas de aislamiento
• Estadísticas paramétricas
• Estadísticas bivariadas
• Análisis de la Población y distribución
• Densidad de Datos y desagrupación
Creacion de zonas
El conjunto de datos de sondaje _udhz contiene muestras que pertenecen a tres distintos cuerpos los cuales se
pueden apreciar en _oretr/pt.
1. Cargar el archivo _udhz y _oretr/pt
2. Extraer la wireframe de color rojo de _oretr/pt usando Data | Object | Extract ... o click en Extract del
Objecto . Extract por color, se creara 3 nuevos objectos.
3. Guardas la wireframe de color rojo como ore1tr/pt.
4. Activar el comando Wireframes | Wireframe Processing | Select Data Using Wireframe o SELWF
completer el siguiente cuadro:
SELWF dialog
Files Tab
IN _udhz
WIRETR ore1tr
WIREPT ore1pt
OUT dh_ore1
Fields Tab
X X
Y Y
Z Z
Parameters Tab
SELECT 3

19
5. Comparar dh_ore1 con ore1tr/pt.
6. Adicionar el campo ZONE1 y darle un valor de 1. Esto se puede hacer con el comando Data | Data Tools
| Expressions o click en EXTRA
EXTRA dialog
Files tab
IN dh_ore1
OUT xxdh_ore1
7. Adiciona la fila xxdh_ore1 en _udhz usando el comando Data | Data Tools | Relational | Join o click en
JOIN completar el siguiente cuadro:
JOIN dialog
Files Tab
IN1 _udhz
IN2 xxdh_ore1
OUT xxudhz
Fields Tab
KEY1 BHID
Parameters Tab
SUBSETR 0
SUBSETF 0
Los archivos de salida para la union deben ser ordenados en el campo clave
Zonas Aisladas
El conjunto de datos contiene muestras provenientes de tres zonas distintas identificadas por el campo ZONE las
zonas son 1,2 y 3

20
1. Cargar el archivo _udhz. Abrir el archivo con la herramienta Datamine Table Editor y analizar el
contenido del archivo.
2. Crear a una leyenda basado en el campo ZONE y aplicar al objecto, _udhz.
3. En la presente imagen los sondajes de color azul pertenecen a ZONE=1.
Para separar las zonas de los sondajes debemos realizar el siguiente proceso
1. Ejecutar el comando Data | Data Tools | Tables | Filter Copy o PICREC complete el siguiete cuadro:
PICREC dialog
Files Tab
IN _udhz
OUT udhz_1
2. Click en OK escribir la sentencia END.
Recuerde que debe indicar el final de la expresión de filtro escribiendo END
3. Un nuevo archivo, udhz_1, a sido creado con 4840 datos para ZONE=1. Analizarlo en Datamine Table
Editor.
Parametros Estadisticos
1. Ejecutar el comando Sample Analysis | Statistics Processes | Summary Statistics or STATS
2. Complete el siguiente cuadro:
STATS dialog
Files Tab

21
IN _udhz
FIELDLST
OUT udhz_st
Fields Tab
F1 AG
3. El resultado se muestra en la ventana Command y los resultados se guardan en un archivo previamente

definido udhz_st
4. Click en <Enter> para completar el proceso
5. El archivo de salida contendra un solo registro, con las estadisticas del campo AG
El valor de la mediana de un conjunto de datos no está en la salida del proceso STATS,

pero se pueden generar utilizando el comando STATNP.
Calcular la bivariable estadistica para AU y CU

1. Ejecutar el comando Sample Analysis | Statistics Processes | Bivariate Statistics o CORREL
2. Complete el siguiente cuadro:

22
CORREL dialog
Files Tab
IN udhz_1
FIELDLST
Fields Tab
F1 AU
F2 CU
3. Los resultados son mostrados en la ventana command:

23
4. Para generar un cuadro de dispersión que represente la correlación entre los campos AU y CU para
ANOM = 1, Ejecutar el comando Sample Analysis | Charts |Point/Line Plot.
5. Para cambiar los valores máximos de los ejes de la cuadricula, click en el icono .
6. El grafico scatter plot es createdo en una nueva hoja en la ventana Plots.
Determina la distribucion de muestras usando histogramas
1. Para rear un histograma, click Plots tab y seleccionar Insert | Chart | Histogram seleccione los
parámetros a analizar

24
2. Para cambiar el bin size del histograma, titulo o valores de grilla, seleccionar la pestaña Chart, despues
seleccionar la opcion Chart List y click en Edit Chart Properties .
3. Para incluir valores estaditicos en el grafico, seleccionar la pestaña Statistics y seleccionar los vampors
requeridos después click en Apply.
4. Click en OK para cerrar la herramienta de generación de Histograma una nueva hoja se genera en la
ventana Plots.

25
Gráficamente usando Q-Q Plots
En este ejemplo, los valores de CU de los diferentes tamaños de sondajes, por zona, serán gráficamente validados
por las las tres zonas. Esto se hará a través de la generación de los graficos QQ plots de leyes de CU de los sondajes
comparados con BQ tamaño Vs el tamaño NQ2, utilizando ZONA como campo clave:
a. BQ – verde
b. NQ2 – rojo
1. Cree dos archivos separados de sondajes por el campo tamaño. (Recomendacion: Use EXTRA y
etiquetas BQ y NQ2.
2. Para generar el grafico Q-Q, ejecute el comando PPQQPLOT escribiendo en la linea Command.
3. Complete el cuadro de diálogo PPQQPLOT de la siguiente manera:
PPQQPLOT dialog
Files tab
IN1 nq2
IN2 bq
QQOUT qqout
QQPLOT qqplot
Fields tab
VALUE1 CU
VALUE2 CU
KEY ZONE
Parameters tab
PLOTTYPE 1

26
DIAGONAL 1
DISPLAY 1
4. Click OK.
5. Verifique en la ventana Command que el proceso se haya ejecutado hasta su terminación.
6. Seleccione la ventana Graphics para visualizar el grafico (note que su fondo debe ser negro).
Densidad de Datos y Declustering

27
El proceso de declustering se ejecuta para un número de tamaños de grillas y la media, la varianza y el número
de muestras comparadas. El tamaño de la grilla que restituye el valor mínimo de la media es el más apropiado
para usar.
1. Ejecutar el comando Sample Analysis | Statistics Processes | Decluster Sample Data o DECLUST.
2. Complete el siguiente cuadro. Por ejemplo el decluster de muestras basado en la grilla 10 x10 x10.
DECLUST dialog
Files Tab
IN _udhz
OUT dclus10
Fields Tab
X X
Y Y
Z Z
Parameters Tab
METHOD 2
XGRID 10
YGRID 10
ZGRID 10
XORIG 5800
YORIG 4000
ZORIG 0
3. Los resultados son mostrados en la ventana Command.
4. Desarrolle el commando considerando diferentes tamaños de grilla.
File Name Grid Size Mean Au Variance No. Samples

dclus05 5x5x5 2.86 7.87 958
dclus10 10x10x10 2.95 7.85 516
dclus15 15x15x15 2.84 8.06 334
dclus25 25x25x25 3.12 7.83 188
dclus50 50x50x50 3.23 6.92 64
El proceso, POLYDC, es un método alternativo para la desagrupación. Se utiliza el método

declustering y tiene una ventaja sobre DECLUST en que los pesos individuales se calculan para
cada muestra en lugar de agrupar las muestras dentro de los bloques rectangulares y la
aplicación de un promedio para el bloque
1. Ejecute el comando Sample Analysis | Statistics Processes | Calculate Quantiles complete el siguiente
cuadro:

28
QUANTILE dialog
Files Tab
IN udhz_1
RESULTS udhz_1q
Fields Tab
VALUE CU
Parameters Tab
QUANTIL1 100
2. Abrir el archivo, udhz_1q, analizarlo en Datamine table Editor.
3. El archivo de salida muestra la media de cada percentil y el metal atribuible a cada subdivisión.

29
ANALISIS DE VARIOGRAMA
Objetivos
El objetivo de este módulo es el de maximizar el recurso a través de un conocimiento de la distribución
estadística y geoestadística del conjunto de datos.
Las tareas relacionadas con la estimación de leyes en el Studio 3 son:
• Modelamiento de variograma y fifting
Este módulo se desarrollan los procesos por los que las tareas puedan llevarse a cabo, así como los principios
básicos que le permite alcanzar el objetivo.
Principios
Análisis variograma
Un variograma es una medida de la dependencia espacial (es decir, una medida de la creciente variabilidad) de
datos a través de una cierta distancia. Las estadísticas de resumen y las distribuciones de dos conjuntos de
datos pueden ser similares sin embargo la continuidad espacial es muy diferente. El análisis de variograma
implica la generación de un variograma experimental y luego el ajuste de una línea/curva de la creación de un
modelo de variograma que luego se utiliza durante los métodos de estimación kriging.
Cálculo del variograma Experimental
La fórmula general para el cálculo de un variograma es:
 (h ) =
1
 ( i −  j )2
2 N (h ) (i , j )
Donde:
• h distancia entre pares (Lag)

• N Número de pares
• N Valor de datos
Lag es generalmente la distancia de muestreo.
A continuación se desarrolla el cálculo de un variograma de 1 dimension:

30
10m 10m 10m
5m 5m 5m 5m 5m 5m
X X X X X X X
8 7 6 4 7 5 5
Lag 1 = 5m
Lag 2 = 10m
Nota: Los dos primeros pasos son ilustrados en el dragrama
Calculando:
 (lag 1) =  (5m) = 0.5 [ (8-7)2 + (7-6)2 + (6-4)2 + (4-7)2 + (7-5)2 + (5-5)2 ] / 6= 1.58
 (lag 2) =  (10m) = 0.5 [ (8-6)2 + (7-4)2 + (6-7)2 + (4-5)2 + (7-5)2 ] / 5= 1.90
 (lag 3) =  (15m) = 0.5 [ (8-4)2 + (7-7)2 + (6-5)2 + (4-5)2 ] / 4 = 2.25
 (lag 4) =  (20m) = 0.5 [ (8-7)2 + (7-5)2 + (6-5)2 ] / 3= 1.00
 (lag 5) =  (25m) = 0.5 [ (8-5)2 + (7-5)2 ] / 2= 3.25
 (lag 6) =  (30m) = 0.5 [ (8-5)2 ] / 1= 4.50
El variograma se muestra como un gráfico de la gamma vs “lag” distancia

31
Las muestras que no se encuentran en una malla regular tienen generalmente una tolerancia de lag. Esta es
una distancia especificada cada lado del lag dentro de la cual se aceptarán muestras. Por ejemplo, en el
ejemplo anterior si se ha especificado una tolerancia de lag de 1 a continuación, las muestras que caen dentro
de 4 - 6 m del punto de muestreo se aceptarán como 5 metros.
Cuando se trata de datos de 2 a 3 dimensiones se establece la continuidad espacial de las muestras las cuales
varian para diferentes direcciones. En el cálculo de variogramas de datos 2D y 3D establece que es necesario
establecer los mayores y menores direcciones de continuidad espacial (o anisotropía). Variogramas
direccionales se calculan utilizando pares de muestras para cada lag que caen dentro de un cono definido por
los ángulos verticales y horizontales de regularización
1m 1m
20o 5m
X
Angular Tolerance = 20o

Lag Distance = 5m
Lag Tolerance = 1m
Cualquier muestra situada dentro de la zona sombreada será emparejado con la muestra
de X para el cálculo variograma.
En Studio RM los variogramas pueden ser calculados por rangos y direcciones definidos por números y
parámetros:
• La dirección inicial se define por el azimut (AZI) y DIP (DIP), que se mide en relación a la rotación del
eje Y.
• Las tolerancias horizontales y verticales están definidas por los parámetros HORANG y HORVER
respectivamente.
• Los incrementos (en grados) entre las direcciones sucesivas se definen por ángulos horizontales
(HORINC) y angulos verticales (VERINC).
• El número de incrementos en la horizontal (NUMHOR) y en la vertical (NUMVER) son direcciones
controladas por el número de variogramas calculados.

32
En la siguiente imagen 4 variogramas son calculados en el plano horizontal usando los siguientes valores de
parámetros:
Parameter Value
AZI 0
DIP 0
0o
HORANG 22.5
45o
HORINC 45
NUMHOR 4 HORANG = 22.5

90o
135o
El variograma experimenta para 180° es el mismo que para 0°
Studio RM también tiene una opción para definir un volumen de búsquedas cilíndrica centrada en la dirección
variograma con un radio definido por el usuario (CYLRAD). Esta limitación se utiliza además de la tolerancia
angular.
Se utilizarán de modo que sólo las muestras que caen dentro de ambas direcciones los ángulos de tolerancia
definidos y volumen de búsqueda cilíndrica. Esto se ilustra en la imagen de abajo.
Sample 1 is paired with samples 2, 3, 4 and 5 as follows:
CYLRAD
Sample VERANG CYLRAD Accept /
Pair constraint constraint Reject +
1 + DIP
1 and 2 Fail Pass Reject
2
1 and 3 Pass Pass Accept

+ +
1 and 4 Pass Pass Accept
3 5
+
1 and 5 Pass Fail Reject
4
VERANG
Contorno de Variogramas

33
En muchos conjuntos de datos los valores a lo largo de cierta dirección son más continuos que otras. Así que
un variograma puede ser diferente cuando se calcula a lo largo de diferentes direcciones. Esto ocurre con los
fenómenos anisotrópico. Para dar cuenta de la anisotropía geométrica (continuidad variable espacial en
distintas direcciones).
Una exhibición que revela rápidamente anisotropías de direccion es un mapa de contorno de la superficie del
variograma de la muestra. Un mapa de variograma es un ploteo de valores semivariograma experimental en el
sistema de coordenadas (x, y). El centro del mapa corresponde con el origen del semivariograma. Cualquier
sección transversal aparece como un semivariograma tradicional unidimensional. Los valores de los
semivariogramas son pequeños cerca del origen y aumentan con la distancia respecto al origen.
En Studio 3 se ejecuta el comando Estimate | Variograms | Contours o VCONTOUR. El proceso se divide en

dos procesos
1. Primera Parte: Seleccionar el variograma comprobar el archivo de datos y parámetros y hacienso

alguna transformación inicial de los datos.
2. Segunda Parte: Crear Contornos, utiliza un proceso de contours para calcular los contornos. El
proceso de contorneado utiliza la potencia inversa del método de la distancia interpolar en una grilla
regular, definida por el valor Intervalo de grilla, y busca un radio definido por el valor de radio.
Cambio de los valores de estos dos parámetros, pueden cambiar la forma de los contornos de lo que a menudo
vale la pena experimentar con diferentes valores de estos parámetros.
El input para el proceso de VCONTOUR procesa un archivo de variograma experimental, el cual fue creado por
el comando VGRAM (Estimate | Variograms | Calculate). El proceso de contorneo trabaja siempre con los
contornos del plano local horizontal definido por VGRAM y parametros ANGLE 1, AXIS1, ANGLE 2, AXIS 2, ANGLE
3 y AXIS 3.
Por ejemplo con el fin de utilizar el proceso para determinar el contorno de la veta y de un cuerpo de mineral el
siguiente procedimiento general se podría ser utilizado

34
1. Determine Strike 2. Determine Dip
Sample File Sample File
Vertical Plane
VGRAM Horizontal Plane VGRAM Angle 1 = 120 Axis 1 = 3
Angle 2 = 90 Axis 2 = 1
Angle 3 = 0
Variogram Variogram
File File
VCONTOUR Determine strike from VCONTOUR Determine dip from
contours contours
e.g. 30o e.g. 70o
3. Calculate Variograms
Sample File
Down Dip Plane

VGRAM
AZI = 120 DIP = 70
Note you could also use the

rotation angles to define the
Variogram plane i.e. ANGLE 1, AXIS 1
File etc)
En el ejemplo si strike es 30, el eje x es 120 (90+30)
Modelamiento de variograma
El modelo de variograma es el “mejor ajuste” de curva/superficie, equipado para un variograma experimental
Los modelos disponibles en Studio RM son:
• Spherical
• Power
• Exponential
• Gaussian
• De Wijsian

35
Los modelos son definidos en función a varios parámetros como (e.g. nugget, varianza espacial, power,
rangos). Estos parámetros varian de acuerdo al tipo de modelo seleccionado. En Studio 3 el proceso utilizado
para ajustar un modelo de variograma es mediante el comando Estimate | Variograms | Fit Model o desde la
ventana Plots seleccionar Manage| Sheets | Chart | Fit Variogram.
Los términos usados para el variograma se describen a continuación
Term Description
Nugget (Co) Conocido como el Nugget Varianza. Esta es la suma de la variabilidad inherente geológica en
una micro escala y si no se elimina, entonces se incluye la medición, errores de muestreo y
ensayo. La pepita es el valor en el modelo de grafico de variograma donde el variograma corta
el eje Y
Range (a) También se conoce como el rango variograma. Esta es la distancia (lag) en el que un modelo de
variograma alcanza el sill.
Sill También se conoce como la varianza total. Esta es la varianza máxima alcanzada por el modelo
de variogram
Spatial Esta es la diferencia entre el umbral y las varianzas pepita (es decir Sill - Nugget).
Variance (C)
Terminology used to describe a variogram
Spatial
Variance (C)
Sill
Nugget (Co)
Range (a)

36
Los cinco tipos de modelo que se pueden aplicar a un variograma experimental se ilustran a continuación).

37
En ciertas circunstancias puede ser necesario utilizar una combinación de modelos para conseguir el mejor ajuste
para el variograma experimental. El siguiente diagrama muestra un modelo esférico de dos estructuras
Two Structure Spherical Model
Sill = Co + C1 + C2
C2
(Spatial Variance 2)
C1
(Spatial Variance 1)
Co
(Nugget)
a1 a2
(Range 1) (Range 2)

38
Ejemplo 1: Calcular Variogramas 2D
Este ejemplo presenta el procedimiento para calcular variogramas experimentales en 2 dimensiones.
1. Ejecute el comando Applications | Statistical Processes | Variograms | Calculate o escriba VGRAM en la

línea de comando.
2. Complete el diálogo, según se requiera, para calcular los variogramas para los datos de la muestra
desagrupados basándose en una grilla 100x100m, complete el diálogo de la siguiente manera:
VGRAM dialog
Files Tab
IN udhz_1
OUT 2d_udhz_1
Fields Tab
X X
Y Y
Z Z
F1 CU
Parameters Tab
LAG 10
LAGTOL -
NLAGS 25
AZI 0
HORANG 5
HORINC 10
NUMHOR 18
ANGLE1 85
AXIS1 3
ANGLE2 40
AXIS2 1
3. En este ejemplo, se han generado 9 variogramas – 1 omnidirectional y 18 a 10 intervalos en el plano.
Se genera los variogramas experimentales a partir de los sondajes compositado o regularizado
Ejemplo 2: Contornos de Variogramas
Este ejemplo usaremos el proceso VCONTOUR para generar un mapa de contornos de los variogramas calculados
en el ejemplo anterior.

39
1. . Ejecute el proceso por el menú Estimate | Variograms | Variogram Contours o escriba VCONTOUR.
2. Complete la sección Select Variogram del diálogo, por ejemplo
3. Pulse el botón Validate.
4. Usted puede aceptar los valores por defecto que se muestran en la sección Create Contours o
cambiarlos antes de pulsar el botón Contour para generar los contornos.
5.

40
Como puede verse a partir de la resultante del mapa de contorno variograma la dirección de mayor de
continuidad es el azimut de aproximadamente 85o.
Ejemplo 3: Calculating and Modeling 3D Variograms
Este ejemplo presenta el procedimiento para generar y modelar variogramas experimentales para leyes de cobre
(AU) usando el conjunto de datos de la sondajes subterráneo (_udhz). Se generarán variogramas experimentales
para la ZONE 1. El azimut y el buzamiento de los ejes mayores de este cuerpo mineral es 85/40
1. Ejecute el comando Estimate | Variograms | Calculate o escriba VGRAM en la línea del comando.
2. Complete el diálogo, según se necesite, por ejemplo para calcular un rango de variogramas dentro de la
ZONE 1
VGRAM dialog

41
Files Tab
IN udhz_1
OUT udhz_1vau
Fields Tab
X X
Y Y
Z Z
F1 AU
Parameters Tab
LAG 10
LAGTOL -
NLAGS 25
AZI 0
HORANG 11.25
HORINC 22.5
NUMHOR 8
DIP 0
VERANG 11.25
VERINC 90
NUMVER 2
ANGLE1 85
AXIS1 3
ANGLE2 40
AXIS2 1
El archivo resultante comprende 10 variogramas experimentales e incluye un variograma

omnidireccional y variogramas direccionales.
3. Para visualizar las graficas de variograma, click en Plots tab o seleccionar Estimate | Variograms | Fit
4. En el campo Data Selection, click en adicionar Exp Variogram File y seleccionar el archive udhz_1vau.
5. El primer paso es aplicar un modelo al variograma omnidireccional para determinar el valor nugget

42
6. Seleccione la pestaña Model Fitting y escoja la opcion de Direccion Isotropic seleccionada en la dirección
del plano.
7. Click en Add New Structure despues click en Apply. Adicionar 2 modelos de estructura
8. Editar el modelo manteniendo pulsado el botón izquierdo del mouse y moviendo los puntos que
aparecen en el modelo en la pantalla principal. Alternativamente cambia los valores para el intervalo o
varianza espacial en el panel Parámetros en el lado derecho.

43
9. El valor del Nugget podrá ser usado para todos los modeoos generados desde un conjunto de
variogramas.
10. En el caso de que el Sill no se ajusta a la varianza hacer clic en Reset Sill to Variance y seleccionar Lock
Sill Value.
11. Retornar a la pestaña Data Selection, deseleccionar el variogrma omnidirectional, seleccionar la opción
Draw Perpendicular Variograms clic en variogramas de AZI=0 and DIP=0. Variogramas alojados en el
eje mayor. Los variogramas perpendiculares al eje mayor son: AZI=90, DIP=0 y AZI=-,DIP=90.

44
12. Cambiar el color del variograma AZI=- and DIP=90, seleccionando la opcion Edit Properties y
seleccionar un color de diferente..
13. Experimente con las opciones de la pestaña Format por ejemplo cambien el maximo valor para los ejes
de grilla con la opcion Display Sample Pairs:
14. En la pestaña Model Fitting, seleccionar la opcion Anisotropic, eliminar los modelos existentes con click
en the Delete Click en Add New Structure despues click en Apply. Adicionar 2 modelos de
estructura .

45
15. Ajustar los modelos de cada uno de los variogramas de manera interactiva o escribiendo valores en el
campo de la derecha.
16. Una vez que esté satisfecho, para guardar el modelo ajustado a un archivo, haga click en Current
Variogram Model escribir el nombre del archivo, udhz_1auvg
17. Click en guardar el Modelo de Variograma, Ingresar el numero e referencia 1y click en OK
18. El modelo de variograma de AU en el archivo udhz_1 es ahora guardado incluyendo el proceso de

estimación de las leyes.

46
ESTIMACION
Objetivos
El objetivo de este módulo es maximizar el recurso del modelo de bloques con leyes estimadas usando
técnicas de estimación de leyes geoestadísticas y/o no geoestadísticas.
Las tareas relacionadas con la estimación de leyes dentro de Studio RM son:
• Determinar los parámetros de búsqueda apropiados.

• Determinar el método de estimación de leyes apropiado.
• Determinar los parámetros de control apropiados.
Este módulo presentará los procesos por los cuales se completarán las tareas, así como los principios básicos
que permitirán alcanzar el objetivo.
Este módulo se designa para usuarios que tiene algo de experiencia en modelamiento
geológico o que han completado el curso tutorial introductorio en línea o que han asistido a
un curso de Geología Introductoria que trató el modelamiento de bloques.
Principios
Es posible determinar la ley actual en una ubicación particular sin estudiar basándose en muestras del
drillhole, del canal o instantáneas. Siempre hay algún grado de incertidumbre entre muestras. La estimación
de leyes es el proceso de asignar valores a las celdas (modelos de bloques) a través de la aplicación de técnicas
matemáticas usando un conjunto de datos de muestras tridimensionales.
Diagrama de Flujo de Datos del Proceso de Estimación de Leyes en Studio RM
El proceso general de estimación de leyes en Studio RM puede resumirse en el diagrama de flujo de abajo. Las
diferentes actividades junto con sus procesos de Studio RM se presentan en el lado izquierdo, los resultados
de las actividades se muestran en el lado derecho.

47
Herramientas de estimación en Studio RM
El comando ESTIMA en Studio RM es un proceso integral para la interpolación de los valores en un modelo de
bloques. Se utiliza un volumen de búsqueda, centrada en cada bloque, con el fin de seleccionar muestras para
ser utilizado para la estimación por uno de los varios métodos. El volumen de búsqueda es generalmente un
elipsoide 3D (aunque también puede ser un cuboide), que se define por la longitud y orientación de sus tres
ejes. La continuidad de la mineralización a menudo varía con la dirección, por lo que el elipsoide de búsqueda
debe estar orientada para seguir la dirección de la mineralización. Además la ponderación anisotropía de los
métodos de estimación también debe seguir la dirección de la mineralización.
Las principales características del proceso de estimació ESTIMA son:
• Un conjunto coherente de volumen de búsqueda y parámetros de estimación para todos los métodos
de interpolación
• Optimización de la muestra buscando la de mejorar la velocidad
• Múltiples estimaciones en una simple corrida

48
• El mismo grado se puede estimar mediante diferentes métodos

• Diferentes volúmenes de búsqueda y parámetros de estimación se pueden utilizar para los diferentes
valores
• Busqueda del volumen rectangular o elipsoidal con anisotropía
• Una dinámica búsqueda de volumen permite que el volumen se incrementa si hay muestras
suficientes
• Restricción del número de muestras por octante y campo clave
• Estimación por zona, con parámetros independientes para cada zona
• Amplia selección de tipos de modelo de variograma para kriging normal y lognormal
• transformación automática de los datos si el modelo de entrada es un modelo rotado
• opción disponible para todo tipo de estimación
• Estimación de celdas Parent
• Actualización selectiva de modelo parcial
No todas estas características están cubiertos en este módulo. Más información se puede encontrar en la
ayuda en línea o la Guía del usuario de Grade Estimation.
ESTIMA es un comando muy amplio, que puede requerir una gran cantidad de datos de entrada y puede
resultar un poco complicado para los usuarios. Por esta razón, se proporciona un menú fácil de usando
ejecutando el comando Models | Interpolation Processes | Interpolate Grades o ESTIMATE.
El menú ESTIMATE crea todos los archivos de referencia necesarios y ofrece una serie de cuadros de diálogo
que permiten acceder a todos los criterios necesarios. Los diálogos también ofrecen opciones adicionales,
como una disposición para el indicador Kriging, que no está disponible desde el comando ESTIMA. El menú de
opciones se puede ejecutar seleccionándolo desde los menús desplegables o escribiendo ESTIMATE.
• Este módulo cubre el uso de ESTIMATE. Para obtener más información sobre el proceso ESTIMA
consulte la ayuda en línea o la Guía del usuario Grade Estimation.
• El menú de estimación no se puede guardar en una macro. Los archivos de referencia se pueden
generar utilizando el proceso DEFPARM que puede ser guardado en una macro.
Los archivos estándar necesarios para ejecutar el proceso de estimación se enumeran a continuación:
File Type Compulsory Description

Sample File Yes Generalmente consiste en un archivo de sondajes o muestras que
incluye uno o más campos de valores. Como alternativa este archivo
puede estar formado por los campos de valores de más tres
coordenadas que definen el centro de cada muestra en la grilla local de
la mina.
Model Yes Archivo de modelo de bloques. Este archivo normalmente contendrá
Prototype celdas uno o más campos ZONA..
Search Volume Yes Archivo estándar de parámetros de búsqueda ESTIMA. Debe haber al
File menos un parámetro de búsqueda de elipse.
Estimation Yes Archivo de parámetros de estimación ESTIMA Debe haber al menos un

Parameter File parámetro de estimacion
Variogram File No Se utiliza para almacenar los valores del modelo de variograma. El
archivo de parámetros variograma sólo es obligatorio si va a utilizar
cualquiera de los métodos de Kriging.
Sample Output No Salidas de X, Y y Z ubicaciones de cada muestra se utiliza para
File interpolar cada celda. Puede ser un archivo muy grande.
Output Model Yes Nombre que se dará al modelo de salida

File

49
La siguiente imagen muestra la primera pestaña (archivos) en el menú de ESTIMATE. Esta es la pestaña donde
se definen los archivos de entrada y de salida.
Campos clave
Si cada registro en el archivo de datos de la muestra se identifican por un campo clave, entonces el número de
muestras por valor de campo clave puede ser restringido. El uso más obvio de esta característica es evitar
muestras de un solo sondaje que tiene una influencia abrumadora en el grado estimado de una celda. Por
ejemplo, si el campo clave se define como BHID entonces es posible definir el número máximo de muestras
que se utiliza desde un único sondaje.
Volumen de búsquedas
Las muestras que se van a utilizar para la estimación se seleccionan basándose en un volumen de búsqueda
definida por el usuario, que se centra en la celdas que esta siendo estimada. Los parámetros de volumen de
búsqueda (es decir, la forma, orientación, etc) se almacenan en el archivo de parámetros de volumen de
búsquedas. ESTIMATE las crea automáticamente

50
Studio RM permite, ya sea para los volúmenes de búsqueda rectangulares o elipsoide que se definen mediante
3 ejes ortogonales.
Axes of Search Volume aligned with Coordinate Axes
Y
Z
DIST 3
Y
DIST 2
DIST 2
X
DIST 1 South-North Section
DIST 3
X
DIST 1
Plan
West-East Section
Los tres ejes pueden ser rotados para reflejar la geología local y las estadísticas de los datos de la muestra.
Studio 3 permite definir varios volúmenes de búsqueda. Esto permite un volumen de búsquedas que se
asignará o bien a una calificación individual o compartida por dos o más grados.
Uno, dos o tres rotaciones pueden ser definidos. Para cada rotación, es necesario definir tanto el ángulo de
rotación y el eje alrededor del cual se aplica la rotación. Para este propósito, el eje X se denota como eje 1, el
eje Y como eje 2, y el eje Z como eje 3.
El ángulo de rotación se mide en una dirección en sentido horario cuando se ve a lo largo del eje positivo hacia
el origen. Un ángulo de rotación negativo significa un giro a la izquierda.
Por ejemplo, si la primera rotación es a través de un grados en el eje 3 (Z), entonces el volumen de búsqueda
está orientada como se muestra en la siguiente imagen

51

52
Si el elipsoide de búsqueda se hace rotar con el angulo B grados alrededor del nuevo eje XI el resultado es:
Este ejemplo ilustra una rotación convencional de azimut y de inmersión. Sin embargo, cualquier método de
rotación puede ser utilizado por la definición tanto de los ángulos y ejes para un máximo de tres rotaciones.
A veces puede ser útil usar los dedos de su mano izquierda para simular las rotaciones. Apunte su dedo índice
hacia fuera delante de usted, su dedo pulgar hacia arriba en el aire, y el segundo dedo hacia la derecha a
través de su cuerpo. Escriba el número 1 en su segundo dedo, 2 en el dedo índice y el 3 en el pulgar. Su
segundo dedo es el eje de las X, señalando Medio, el dedo índice es el eje Y apuntando al norte y el pulgar es el
eje Z apunta hacia arriba. Para simular las dos rotaciones en el ejemplo anterior primero mantener su pulgar
izquierdo con la mano derecha y gire los otros dos dedos hacia la derecha. A continuación, mantenga su
segundo dedo y girar su dedo índice y el pulgar hacia la derecha en un plano vertical. Sus dedos están
apuntando a lo largo de los ejes de su búsqueda girada elipsoide.
La siguiente imagen muestra las opciones de volúmenes de búsqueda en el proceso de ESTIMATE, la forma y la
orientación de los volúmenes de búsqueda se definen en la sub-pestaña Shape

53
VOLUMENES DE BUSQUEDA DINAMICA
A menudo es útil ser capaz de categorizar las reservas basadas en el número de muestras dentro de un
volumen de búsqueda. Por ejemplo:
• Medido - al menos 6 muestras dentro de 20m
• Indicado - al menos 4 muestras dentro de 40m
• inferidos - al menos 2 muestras dentro de 60m
Esto se puede hacer en un solo paso mediante la definición de tres volúmenes de búsqueda concéntricos, y un
número mínimo y máximo de muestras para cada volumen.
La búsqueda principal debe ser el menor volumen; el segundo volumen de búsqueda se define por la
multiplicación de los ejes principales de búsqueda por un factor de expansión definido por el usuario. Del
mismo modo el tercer volumen de búsqueda se define por la multiplicación de los ejes primarios de búsqueda
por un factor de expansión definido por el usuario.
Para cada volumen de búsquedas, un número mínimo y máximo de las muestras se puede definir. Si hay más
muestras que el máximo definido dentro del volumen de búsqueda, entonces la elipse de búsqueda se contrae
concéntricamente, hasta que sólo el número máximo definido de muestras

54
Search ellipsoid is shrunk until ‘MAXNUM’ samples lie inside
x x Search ellipsoid
x
x
o x
x o
o + o
+ Cell to be
o
estimated
x +
+
x
o o
o
Shrunk ellipsoid 4
x samples inside o
x
x
x
x
Las muestras representadas con x se encuentran fuera del elipsoide de búsqueda. Hay 13 muestras en el
interior del elipsoide, representadas con o y +. Si el número máximo de muestras dentro de la elipse se
establece en 4, luego el elipsoide se contrae hasta que sólo las 4 muestras representada con + se encuestran
en su interior. Estas 4 muestras se utilizan entonces para estimar el valor de la celda.
Buscar el volumen 1 se aplicó por primera vez. Si hay un mínimo de muestras y se considera la búsqueda del
volumen 2 se aplica. Si hay todavía menos que el número mínimo definido de muestras para el segundo
volumen de búsqueda, luego se aplica el tercer volumen de búsqueda. Si hay menos que el número mínimo
definido de muestras para el tercer volumen de búsqueda, entonces el valor de grado para esa celda se ajusta
a los datos ausentes
Los volúmenes de búsqueda dinámicos pueden ser definidos por las opcione que se encuentran en la sub
pestaña Category como se muestra a continuación.

55
La forma, el tamaño y la orientación principal del volumen de búsqueda se toma de las entradas
realizadas en la sub-pestaña Shape al definir el volumen de búsquedas.
Con el fin de determinar qué volumen de búsqueda que se ha utilizado para estimar un bloque de un campo
numérico se añade al archivo del modelo de salida que tiene un valor de 1, 2 ó 3 dependiendo del volumen de
búsqueda utilizado
Mediante la definición de tres planos paralelos a los ejes de la búsqueda elipsoide se crean los ocho octantes.
Estos planos se cortan en el origen del elipsoide, que es también el centro de la celda que se está estimando
Octant search, illustrated in 2D
SAXIS2
Octant 4
+ +
x + Octant 1
x +
x x
Octant 3
SAXIS1
* * o
o Search
o Ellipsoid
o Octant 2
*
*

56
El diagrama anterior ilustra el método octante. El elipsoide de búsqueda contiene dieciséis muestras anotadas
por O, *, X, y +, y para el propósito de este ejemplo todas las muestras de dieciséis se encuentran por encima
del plano XY. Si se especifica el número máximo de muestras que se utilizarán en la estimación como dieciséis
o mayor, entonces se seleccionan todas las muestras de dieciséis. Sin embargo, si el número máximo de
muestras se ajusta a ocho, a continuación, las ocho muestras anotado X + y se seleccionarán. El grado
estimado de la célula, obviamente, a continuación, con preferencia al de las muestras en el noreste del
volumen de búsquedas.
Si se aplicara búsqueda octante con el máximo número de muestras por conjunto octante a 2, entonces las dos
muestras en cada octante, que son más cercano al centro de la celda, serían seleccionados. Estas muestras se
anotan O y X. Esto sin duda sería preferible seleccionar las ocho muestras de la zona nororiental.
Los Octantes de 1 a 4 se encuentran por encima del plano XY como se ilustra en el diagrama, con octante 1
tumbado en el octante superior nororiental. Octantes 5 a 8 se encuentran por debajo del plano XY, debajo de
octantes 1 a 4 respectivamente
Los Octantes pueden ser definidos por completar las entradas bajo la sub-pestaña Decluster. Si no desea
utilizar octantes entonces asegúrese de que la casilla Use Octants no está marcada.
Parametros del Variograma
Si se selecciona Kriging como un método de estimación, entonces es necesario especificar el archivo de

parámetros del variograma creado a partir del comand Applications | Statistics | Variograms | Fit Model |.
El archivo del modelo variogramas contiene la información sobre las estructuras pertinentes al modelo de
variograma y se pueden ver en la sub-pestaña Structures dentro de la ficha Modelos de variogramas en el
proceso ESTIMATE

57
La sub-pestaña Rotation se puede utilizar para definir la orientación del rango de la elipsoide.
• El elipsoide del variograma se utiliza para definir cualquier parámetro que no es isotrópico, el ejemplo
más común es el rango del modelo esférico. El elipsoide del variograma se define utilizando los
campos Primera, Segunda y Tercera, de manera idéntica a la elipsoide de búsqueda, que se describe
en la sección de volumen de búsquedas.
• Los valores por defecto especifican ninguna rotación. Por lo tanto; si el elipsoide del variograma es
tener la misma orientación que la búsqueda elipsoide de los campos de Primera, Segunda y Tercera
deben ser los mismos que los campos de Primera, Segunda y Tercera de la pestañas Search Volumes.
• Tanto la rotación y el eje se puede especificar para cualquier eje (aunque todos los campos son
opcionales - se utilizarán los valores por defecto si no se especifica otra cosa).
• Puede especificar los ejes de rotación de forma manual, en la limpieza de los valores predeterminados
de Uso del Eje cuadro y seleccionando el Primer, Segundo y Tercer eje desde la lista desplegable.
Métodos de estimación
La estimación es el proceso de asignación de valores a las celdas sobre la base de un conjunto de datos de las
muestras en tres dimensiones. Esta información por lo general toma la forma de perforaciones, muestras
superficiales o subterráneas muestras al azar. Hay varias técnicas matemáticas disponibles para llevar a cabo la
interpolación.
Studio 3 ofrece los siguientes métodos de estimación:
• Nearest Neighbor
• Inverse Power of Distance
• Ordinary Kriging
• Lognormal Kriging
• Simple Kriging
• Indicator Estimation
• Sichel's t Estimator

58
Es posible aplicar diferentes métodos de estimación y los parámetros a diferentes grados en una sola corrida
definiendo varios de los parámetros de estimación. La siguiente imagen muestra la pestaña Estimation Types
en ESTIMATE que le permite definir el método de estimación, volumen de búsquedas y modelo de
variograma (si se utiliza) a utilizar para cada zona.
Nearest Neighbor (Vecino más cercano)
Usando este método, a la celda se le asigna el valor de la muestra "más cercano", donde "más cercano" se
define como una distancia transformada o anisotrópico que tiene en cuenta cualquier anisotropía en la
distribución espacial de la calificación.
El método de vecinos más cercanos no implica valores de las muestras de ponderación, y por lo tanto un valor
numérico o un campo alfanumérico puede ser estimado.
Inverse Power of Distance (Inverso a la Distancia)
Para inverso a la Distancia (IPD) el valor estimado se calcula mediante la ponderación de cada muestra por el
inverso a la distancia desde la celda
El siguiente es un ejemplo de estimación de Incerso a la Distancia implica la estimación del valores de Fe de un

solo punto (PUNTO O) basado en 3 muestras de los alrededores.

59
2
5 0 % Fe
150m
1 0 3
200m 250m
5 0 % Fe ? % Fe 6 0 % Fe
La ecuación de inverso a la distancia es expresado:
i p

n
i =1
di
ˆ = p
1
i=1 d
n
Donde: ̂ Point being estimated

di, ….., dn distance from each sample to the point being estimated.
 i , ….,  n Sample values
p Inverse Distance exponent
Sustituyendo las distancias entre el punto O y las tres muestras en la ecuación arroja los siguientes pesos y
calificaciones ponderadas. 7
Weighted
Sample Grade Distance 1/d Weight
Grade
1 50%
1
200
= 0.005 (10.016) 0.005 = 0.31 0.31 50 = 15.50
2 50% 1
150
= 0.007 (10.016) 0.007 = 0.44 0.44  50 = 22.00
3 60% 1
250
= 0.004 (10.016) 0.004 = 0.25 0.25  60 = 15.00
Total 0.016 1.0 52.5%
La calificación ponderada de Punto O utilizando la estimación de inversa a la distancia es 52,5% FE
En Studio 3 el exponente de inverso a la distancia ( poder) se define mediante el parámetro POWER. Si el

POWER se pone a cero, entonces la media aritmética de las muestras son calculadas (como en el ejemplo
anterior).

60
kriging
Kriging es el método geoestadístico para estimar el valor de un volumen. Las dos variantes de kriging
disponibles en Studio 3 son Kriging Ordinario y Kriging simple.
Al igual que con el método Inverso a la Distancia (IPD), kriging asigna ponderaciones a los datos de los
alrededores. Sin embargo, una de las principales ventajas de kriging es que los pesos se calculan con el fin de
minimizar la varianza del error.
Cuando minimizar la varianza del error, kriging tiene en cuenta la ubicación espacial de las muestras relativas a
cada otra. Por lo tanto, si varias muestras se agrupan, esto será tomado en cuenta cuando se calculan los
pesos y en consecuencia los pesos se reduciran. Este no es el caso para el método IPD, donde el peso sólo
depende de la distancia de la muestra para ser estimado, y no toma en cuenta la ubicación de las otras
muestras.
El cálculo de los pesos krigeados se basa en el modelo de variograma, que describe la correlación entre dos
muestras como una función de la distancia entre ellos. Más detalles de los modelos de variograma se dan en la
opción Variogram Model y en el módulo de Geoestadistic training module..
Para Kriging Ordinario (OK) un peso se calcula para cada muestra. La suma de estos pesos calculados es 1. Por
Kriging simple (SK) un peso Wi se calcula para cada muestra y un peso de (1 - ΣW) está asignado a la media.
Kriging simple no es tan sensible como Kriging Ordinario a las tendencias locales en los datos, ya que depende
en parte del grado medio, que se supone que se conoce, y constante en toda la zona. Por lo tanto, Kriging
Ordinario es el método más comúnmente utilizado de kriging. Para más detalles sobre la metodología kriging y
el cálculo de los pesos, consulte las referencias geoestadísticas ubicadas en el apéndice 5.
En cuanto a vecino más cercano e Inverso a la Distancia, el primer paso es identificar todas las muestras
situadas en el volumen de búsquedas, restringidos por las limitaciones sobre el número mínimo y máximo de
muestras. La matriz kriging se establece a continuación, y resuelto para producir los pesos kriging y, por tanto,
la estimación krigeado.
Además de la estimación krigeado, tres variables secundarias se pueden calcular para cada celda y se guardan
en el archivo de modelo de salida.
• Número de muestras utilizado para kriging
• Varianza del krigeado
• Distancia Transformado a la muestra más cercan
Los campos en los que se almacena esta información se pueden definir en la pestaña Estimation Types del
proceso de estimación
Bajo ciertas condiciones, los pesos asignados a una o más de las muestras pueden ser negativos. Esto es más
probable que ocurra cuando el modelo de variograma tiene una varianza de baja pepita y una muestra está
protegido de la celda. Es poco probable que los pesos negativos representen más que un pequeño porcentaje

61
del peso total. Aunque los pesos negativos son matemáticamente correctos, hay una escuela de pensamiento
que los pesos negativos son incorrectas y deben ser puestos a cero. Studio 3 ofrece la posibilidad de asignar un
valor de cero para cualquier peso negativo mediante la elección de la sub-pestaña Estimation Types del
proceso ESTIMATE
Debido a las complejidades de los cálculos matemáticos kriging a veces puede dar lugar a que la varianza
krigeado sea ligeramente mayor que el umbral del modelo de variograma. Si este es el caso, hay dos opciones
disponibles:
• Mantenga las varianzas mayores que el sill
• Restablecer las varianzas para igualar el sill
Control Zonal
Normalmente, se tendrá que controlar que se utilicen muestras para estimar que el modelo de celdas en
términos de tipo de roca, dominio mineralizada o estado de oxidación. Esto se conoce como control de zona.
Como un ejemplo, la imagen siguiente muestra una sección vertical a través de un depósito de sulfuro de
plomo / plata. La mineralización está tapado por una zona supergénica que se ha enriquecido en plata. La zona
supergénica está marcada utilizando líneas horizontales mientras que la zona de sulfuro está marcado
utilizando líneas diagonales. Los valores de sondajes son las leyes de plata expresadas en gramos por tonelada.
El contorno elipsoidal representa el contorno de una elipse de búsqueda centrada en un modelo de celda
etiquetada con A. Si se estimó el grado de la celda A utilizando todas las muestras que se encuentran dentro de
la elipse de búsqueda la estimación incluira muestras de residuos, y muestras de sulfuro primarios,. Es evidente
que el calculo utiliza todas las muestras que se encuentran dentro de la elipse de búsqueda sería incorrecto y
poco representativo. Una estimación de la celda A sólo debe utilizar las muestras tomadas dentro de la zona
supergénica que también se encuentra dentro de la elipse de búsqueda.
La Estimación utiliza uno o más campos de distinción de diferentes tipos de roca y mineral o se control zonal. En
este caso, un campo llamado ROCA fue construido en el modelo y asigna los valores de 0, 1 y 2 para distinguir
los residuos, supergénica y celdas de sulfuro. El archivo de sondajes incluye un campo denominado ROCA que
se registra como 0, 1 ó 2, para distinguir los mismos 3 tipos de rocas.

62
Ejemplos
Antes de realizar este ejercicio tenemos que tener los siguientes archivos:

_udhz Drillhole Base de datos sondajes
ubmz_op Block model Modelo de volumen
_ueps Table Parametro de busqueda
_uepv Table Parametro de variograma
Ejemplo 1: Definiendo el volume de busqueda usando ESTIMATE
En este ejemplo se utiliza el proceso ESIMATE para crear un archivo de parámetros el volumen de búsqueda que
puede ser representada usando el proceso ELLIPSE
Una elipse de búsqueda se ha definido para la mineralización definida por la wireframe ZONA = 1 en el archivo
_uoretr / pt, que tiene una veta y como se muestra en el diagrama. El elipsoide de búsqueda que se va a crear tiene
ejes de 100 m debajo del dip, 50m a lo largo y 25m perpendicular a estas dos direcciones es decir, a través del
depósito.
Strike
Down Dip
Vertical Section
Plan perpendicular to
strike
El strike aproximado del yacimiento es de norte a sur, por lo que la primera rotación es alrededor del eje Z. La
segunda rotación tiene un dip de 40° al Norte alrededor del nuevo eje X.
1. Ejecute le comando Models | Interpolation Processes | Interpolate Grades o ESTIMATE
2. clic en el botón Siguiente en la parte inferior del cuadro de diálogo para ir a la pestaña Search Volumes
3. Seleccione el botón Add para crear un nuevo volumen de búsquedas y completar los parámetros en la sub-
pestaña Shape como se muestra a continuación.

63
1. Click en el boton Export y escribir el nombre del archive en el dialogo para el presente ejercicio utilizer el
nombre spar1
2. Click en el boton Cancel para salir del menu ESTIMATE
3. Se genera un registro que contiene la información relevante para definir el volumen de búsqueda.
Ejemplo 2: Visualizar el Volumen de Búsqueda usando ELLIPSE
El proceso ELLIPSE puede usarse para visualizar un volumen de búsqueda en las ventanas Design y Visualization.
1. Ejecute el comando Estimate | Estimate | Ellipse, o escriba ELLIPSE en la línea Command.
2. Complete el diálogo como se muestra abajo. El archivo de volumen del parámetro de volumen de
búsqueda es uno de los creados en el ejercicio anterior.
ELLIPSE dialog
Files tab
SRCPARM spar1
WIRETR eltr
WIREPT elpt
Parameters tab
SREFNUM* 1
XCENTRE 6070
YCENTRE 4265
ZCENTRE -275

64
3. Cuando se complete el proceso, cargue el wireframe eltr/elpt en la ventana Design y visualice los
resultados en las ventanas 3D.
El wireframe consta de tres componentes que son identificados en el archivo de triángulo wireframe eltr1 por el
campo ZONE. Este campo tiene los valores 1, 2 y 3:
1. la superficie del elipsoide.
2. los tres planos ortogonales a los ejes del elipsoide.
3. un conjunto de ejes de wireframe para el sistema de coordenadas mundial.
Cada octano del elipsoide es visualizado en un color diferente (valores desde 1 hasta 8)
Ejemplo 3: Estimar Leyes Múltiples usando Control Zonal y Kriging Ordinario.
Este ejemplo usa ESTIMATE para definir dos conjuntos de parámetros de estimación. El prototipo del modelo usado
es _ubmz y el archivo de muestra _udhz, ambos son archivos tutoriales proporcionados con el software.
La estimación usará
• Control zonal y estimación restringida de las dos leyes sólo en la zona 1.
• Kriging ordinario.
• Estimado Cu y Ag para usar modelos de variograma 1 y 2 respectivamente
Ejecute el comando Estimate | Estimate | Interpolate, o escriba ESTIMATE en la línea Command.

65
1. Ingrese el modelo de salida y los nombres del archivo de muestra, según se requiera. Asegúrese de que
los campos de coordenadas son definidos correctamente basándose en el archivo de muestra y que el
control zonal es activado ingresando al campo zone.
Los campos Zone Control necesitan estar presentes (y contener valores apropiados de
zone field) tanto en el archivo de muestra como en el modelo zone.
2. Pulse el sub-tabulador Output para definir el output model file y el search volume, estimation parameter
(colocar un nombre) y los variogram model files.
3. Pulse el botón Next en la parte inferior del diálogo para moverse hacia la sección search volumes. Note
que aparecen 3 volúmenes de búsqueda en el panel Index. Estos han sido leídos desde el search volume
parameter file definido en el sub-tabulador
4. Pulse el botón Next en la parte inferior del diálogo para moverse hacia la sección Variogram Models.
Aparecen 12 modelos de variogramas que fueron definidos y guardados usando el proceso VARFIT (ver el
módulo Geoesdadística).

66
5. Pulse el botón Next para moverse hacia la sección Estimation Types.
6. Seleccione el botón Add para crear un Nuevo tipo de estimación y complete los parámetros en el sub-
tabulador Attributes como se muestra abajo.
Al configurar los parámetros de arriba ha definido los parámetros de estimación siguientes:
• Estimar CU usando kriging ordinario.
• Almacenar la ley CU estimada en un campo llamado CU en el archivo de modelo de salida.

67
• Almacenar el número de muestras usado para calcular las leyes estimadas en un campo NCU en
el archivo de modelo de salida.
• Almacenar la varianza del estimado en un campo VCU en el archivo de modelo de salida.
• Usar el Search volume con número de referencia 1 y el modelo de variograma con numero de
referencia 1.
• Estimar CU usando los parámetros presentado abajo sólo para ZONE = 1
7. Añadir un segundo tipo de estimación seleccionando el botón Add por segunda vez y complete los
parámetros en el sub-tabulador Attributes como se muestra abajo.
Al configurar los parámetros de arriba ha definido los parámetros de estimación siguientes:
• Estimar AG usando kriging ordinario.
• Almacenar la ley AG estimada en un campo llamado AG en el archivo de modelo de salida.
• Almacenar el número de muestras usado para calcular las leyes estimadas en un campo NAG en el archivo
de modelo de salida.
• Almacenar la varianza del estimado en un campo VAG en el archivo de modelo de salida.

68
• Usar el Search volume con número de referencia 2 y el modelo de variograma con numero de referencia
1.
• Estimar AG usando los parámetros presentado abajo sólo para ZONE = 1.
8. Click en el boton Next en la pestaña Controls seleccionar Parent cell estimation using point which fall inside
the subcells y en Cell Discretisation seleccionar Number of points in X/Y/Z para 2.
9. Click en el boton Next
10. Finalmente presionamos Run para ejecutar el proceso.
11. Cargue el archivo de sondajes, udhz_1, y el archivo de modelo, ubmz1, y utilizar una leyenda de cobre para
colorear las celdas de modelo y las trazas de sondajes. La sección W-E a continuación es aproximadamente
4264mN:

69
Ejemplo 4 : Estimar Leyes usando Métodos Múltiples de Estimación
Este ejemplo presenta el procedimiento para estimar leyes Au usando kriging ordinario y el inverso de la distancia.
Se usan también diferentes volúmenes de búsqueda.
La siguiente tabla resume los parámetros de volumen de búsqueda que serán usados:
Rotation
No Dyn. S, Vol. 2nd S. Dyn. S. Vol. 3rd S.
S. Vol. Shape Length
Samp Vol. Vol.
Angle Axis
1 Ellipsoid X axis = 15m 1st 20o Z Min = 4 Exp. Fact. = 0 Exp. Fact. = 0
Max = Min No Samp = 1 Min No Samp = 1

Y axis = 30m 2nd 30o X
10
Z axis = 15m 3rd - - Max No Samp = 20 Max No Samp = 20
2 Ellipsoid X axis = 22m 1st - - Min = 4 Exp. Fact. = 2 Exp. Fact. = 2
Max = Min No Samp = 1 Min No Samp = 1

Y axis = 22m 2nd - -
10

70
Dos modelos de variograma han sido definidos; el primero es un modelo periférico estructural 2 con cero de
varianza nugget. El Segundo es un modelo periférico estructural único con cero nugget. Los rangos y varianzas
espaciales de los variogramas se muestran abajo:
V.gram 1st Rot 2nd Rot Range Range Range Spatial

Nugget Struct
Mod (Z) (X) 1 2 3 Variance
1 7 6 15 3.5
1 20 30 0.1
2 15 30 15 2.6
2 0 0 0.1 1 22 22 22 5.93
La siguiente tabla resume los parámetros de estimación que serán usados:
V. Power
Est. Samp Mod S. Est. Additional
Zone gram (for
Par. Grd Grd Vol Meth. Information
Mod IPD)
1 1 AU AU_K 1 OK 1 - No of Samples
Variance
2 2 AU AU_K 2 OK 2 - Search Volume
3 1 AU AU_ID 1 IPD - 2 No of Samples

Variance
4 2 AU AU_ID 2 IPD - 3 Search Volume
1. Ejecute el proceso por el menú Estimate | Estimate | Interpolate, o escriba ESTIMATE en la línea
Command.
2. Ingrese el input model y los nombres de sample file, según se requiera. Asegúrese de que los coordinate
fields son definidos correctamente basándose en el sample file y que el zonal control está activado
ingresando al zone field.

71
3. En el sub-tabulador Output ingrese un nombre del modelo de salida y los nombres del parameter file:
4. En la sección search volumes, pulse el botón Add para crear un Nuevo search volume e ingrese los valores
como se muestra en la tabla de arriba. Como un ejemplo, la siguiente imagen muestra las configuraciones
para el search volume 1

72
5. El minimum y maximum number of samples (número mínimo y máximo de muestras) se define en el sub-
tabulador Category:
6. Se repite los pasos 4 y 5 para crear el segundo search volume.
Rotation
Dyn. S. Vol. 2nd S. Dyn. S. Vol. 3rd S.
S. Vol. Shape Length No Samp
Vol. Vol.
Angle Axis
2 Ellipsoid X axis = 22m 1st - - Min = 4 Exp. Fact. = 2 Exp. Fact. = 2
Y axis = 22m 2nd - - Max = 10 Min No Samp = 1 Min No Samp = 1
7. Pulse el botón Next para ir a la sección Variogram Models. Pulse el botón Add para añadir un nuevo
variogram model.
8. En este ejemplo, la rotación de anisotropía para el primer variograma será la misma que para la primera
search volume, p.ej. 20o alrededor del eje Z seguido por 30o alrededor del eje X:

73
9. Las estructuras del variograma son definidos según el sub-tabulador Structures. Para ingresar los valores
de varianza y rango para la primera estructura, pulse en la primera entrada, bajo la columna Structure y
pulse el botón Edit. Para añadir otra estructura pulse el botón New.
10. Se repite los pasos 8 y 9 para crear el Segundo modelo de variograma (no es necesaria la rotación)
V.gram 1st Rot 2nd Rot Range Range Range Spatial

Nugget Struct
Mod (Z) (X) 1 2 3 Variance
2 0 0 0.1 1 22 22 22 5.93
11. Pulse el botón Next para ir a la sección Estimation Types.
12. Cuatro parámetros de estimación deben definirse por cada método de estimación. Debido al hecho que la
ley Au es estimada usando dos métodos diferentes, las leyes del modelo de salida deben ser diferentes a
las leyes de la muestra de entrada.
13. Las siguientes imágenes muestran las entradas para todos los métodos de estimación presentados en la
tabla de arriba.

74
1er metodo
2do metodo

75
3er metodo
4to metodo

76
14. El power usado en el método Inverse Power Distance puede definirse bajo el subtabulador Options:
15. Cargue el modelo, ubmz2 y comparar el grado de la UA para las estimaciones de distancia krigeados e
inversas
VALIDACION
Validacion de la estimación
Hay tres formas de que la estimación puede ser validada:
1. Validación Visual en la ventana 3D: Cargue el archivo de ejemplo utilizado en el proceso de

estimación de leyes y el modelo de bloque resultante en la ventana de construcción. Si el archivo
de ejemplo utilizado es un archivo de sondajes, asegurar que los intervalos de muestra han sido
compositada para que coincida con el tamaño de celda de bloques, por ejemplo, si un tamaño de
celdas de 5x5x5m como el utilizado a continuación, utilizar el proceso COMPDH para compositar
los intervalos de muestras de sondajes a 5m. Aplicar una leyenda apropiada al modelo de bloques
y sondajes y comparar visualmente los grados.
2. Validación estadística utilizando el proceso STATS: La validación estadística de los valores de celdas
del modelo de bloque se pueden utilizar para comprobar la presencia de valores, así como la
comparación de las estadísticas de resumen para cada campo de grado por zona mineralizada para
el modelo de bloques y muestras.

77
3. Validación gráfica utilizando Q-Q plots: Como se mencionó en la sección Estadísticas y Geostatica
anteriormente los gráficos QQ se puede utilizar para comprobar si hay un sesgo en las
estimaciones.
Evaluacion y reporte
El proceso de evaluación implica el procesamiento de modelo de bloques o sondajes para determinar los
resúmenes de volumen, toneladas y leyes dentro de un volumen o área definida. Esta evaluación se realiza
normalmente para rangos de ley específicos, categorías de mineral o dentro de los recursos minerales o límites
de planificación minera. En Studio 3 las evaluaciones siempre se llevan a cabo de acuerdo a las instrucciones
emitidas "por un determinado tipo de leyenda, conocida como una" leyenda de la evaluación”.
Studio 3 es compatible con dos tipos de evaluación, a saber:
• Evaluaciones interactivas dentro de la ventana 3D.
• Evaluación mediante comandos por lotes que se pueden guardar en una macro
Evaluacion Interactiva
Los comandos de evaluación interactivos permiten evaluar sondajes o modelos de bloques usando strings o
wireframes como factores limitantes. Los comandos de evaluación interactivas se resumen en la siguiente
tabla:
Quick
Command Icon Description
Key
Construye una wireframe interna mediante la proyección

Report | Evaluate |
ev1 de string perpendicular a la vista del plano. La wireframe es
Inside String
evaluada modelo de bloques con el de perforaciones.
Proceso similar al EV1 con la ventaja de los cambios en las

Report| Evaluate
cadenas evaluadas, se actualizan dinámicamente en el
Dynamic |
informe de evaluación.
Construye una wireframe interna desde dos strings

Report | Evaluate |
ev2 seleccionados y evalúa un modelo de bloques con el de
Between Two Strings
perforaciones
Report | Evaluate |All Evalúa todas los strings cargados en la ventana design en
eva
Strings relación modelo de bloques con el de perforaciones.
Report | Evaluate | Evalúa encima o por debajo de un DTM o dentro de una

evw
Wireframe wireframe.
Al término de la evaluación, se muestra un cuadro de diálogo que le pregunta si desea aceptar los resultados. Si
su respuesta es 'Sí', los resultados se guardan en una tabla held en la memoria. En esta tabla un campo de
toneladas adicional se calcula para cada campo de atributo. Esto es para tener en cuenta el caso en que hay
múltiples campos de grado y donde algunos resultados incluyen datos ausentes. Estos campos de toneladas
adicionales se nombran como: TONNESA, TONNESB, TONNESC, etc Excluyendo los campos innecesarios

78
Evaluacion usando procesos por lotes (Batch)
Como alternativa a la evaluación interactiva en la ventana Design, los comandos están disponibles para el
interrogatorio de los modelos que utilizan procesos por lotes (Batch)
Menu Command Description
Report | Report | Model TONGRAD Calcula el volumen, el tonelaje y el de leyes hasta por 10
Reserves campos de leyes especificos. Los resultados pueden ser
clasificados por hasta 5 niveles de KeyField. Por ejemplo,
si usted tiene un modelo que tiene un atributo para un
código de roca y otro atributo por weathering, se puede
utilizar tanto de estos campos como KeyFields y registros
separados para dar lugas a la salida para cada valor dentro
de los campos seleccionados.
TONGRAD también le permite reportar por COLUMNA (X),

ROW (Y) o BANCO (Z). Estos parámetros se relacionan con
el incremento de las celdas madre en el modelo en cada
una de las direcciones ortogonales. En una situación de
cielo abierto, si desea reportar toneladas y valores de RL,
en banco = 1.
El parámetro COGSTEP permite que los resultados se

dividieron por cada incremento COGSTEP en el campo
principal de valores
Report | Report | Calculate MODRES Evalúa un modelo de yacimiento a través de uno o más
Reserves conjuntos de perímetros y salidas de volumen, tonelaje y
ley.
El archivo de salida puede ser leído por el proceso
TABRES para producir diversas tabulaciones
Report | Report | Calculate TABRES Produce tabulaciones de reserva de un archivo de
Reserves| | Tabulate resultados producidos por otros procesos, como
Reserves MODRES.
Existen diferentes tipos de reportes de reservas se
pueden producir.
Report | Report | Reserves TRIVAL Evalúa un modelo de bloques por encima o por debajo
within Wireframe de un DTM o dentro de una wireframe.
Access using command line DTMMOD Actualiza un modelo de bloques basado en un DTM y
only evalúa cortar y llenar volúmenes.
Access using command line DTMCUT Evalúa cortar y llenar volúmenes basados en una DTM
only original y actualizado..
Sólo el proceso TONGRAD está cubierto en este módulo. Para obtener más información con
respecto a los otros comandos, consulte la ayuda en línea.

79
Ejemplos
Los siguientes archivos son requeridos

ubmz2 Block Model ID and K model for AU
udhz5c Drillhole 5m composite samples
_ubm5g Block Model 5x5x5 block model
_ubm5cat Block Model Grade model
_caf5so String Level stoping outlines
Ejemplo 1: Comparar Resultados de Distintos Métodos de Estimación
1. Nos dirigimos al menú Sample Analysis / Charts / Point / Line Plot y usamos el archivo outmod, para
comparar los campos AU-I vs AU-K.
2. Seleccionar AU_I para el eje X y AU_K para el eje Y
3. Selecciona la pestaña Stadistics y marque un número de campos a mostrar en el gráfico.

80
Estadísticas Básicas
Use el proceso de manipulación de campo EXTRA para crear un Nuevo campo mostrando las diferencias entre
los estimados kriged e IPD.
4. Ejecute el proceso Extra, por el menú Data | Data Tools | Expressions o escriba EXTRA en la línea
Command.
EXTRA dialog
Files tab
IN ubmz2
OUT ubmz2a
5. Cree un Nuevo campo llamado DIFF usando la siguiente fórmula:

81
6. Determine la diferencia más extensa para cualquier celda entre los estimados kriging e IPD, ejecutando el
comando Applications | Statistical Processes | Compute Statistics o escriba STATS en la línea Command
Visualmente en la Ventana Design

Cargue el archivo creado arriba (conteniendo el campo DIFF) en la ventana Design. Cree una leyenda basada en el
campo DIFF, aplíquelo al modelo de bloque para obtener una vista de las diferencias.
Leyes Promedio por Zona
Compare las leyes promedio dentro de cada zona para ambos estimados (kriged e IPD)
7. Asegúrese de que no existen valores ausentes en el modelo de salida, ejecutando EXTRA con la siguiente
fórmula. El archivo de salida se llamará ubmz2b.

82
8. Ejecute el proceso Tongrad por el menú Models | Reserves Processes | Calculate Model Tonnes and Grade
o escriba TONGRAD en la línea Command. Ingrese los nombres de archivo y parámetros relevantes, por
ejemplo:
TONGRAD dialog
Files tab
IN ubmz2b
OUT ton_outmod
Fields tab
F1 AU_I
F2 AU_K
KEY1 ZONE
9. Puede visualizar los resultados usando el Table Editor.
Ejemplo 2: Interactive Dynamic Evaluation using Strings

Este ejemplo presenta el procedimiento para evaluar interactivamente un modelo de bloque en la ventana 3D
usando strings.
El modelo de bloque usado en este ejemplo es _ubm5cat que representa parte de un cuerpo mineral subterráneo
con celdas de 5x5x5m. La evaluación se realizará en el campo de leyes Au.
El archivo del string usado es _caf5so que representa contornos de tope de cut and fill para el nivel -245

83
10. Cargue el modelo de bloque y el archivo del string en la ventana 3D y muévase hacia la vista del plano a RL
-245. Configure la distancia del plano de corte a +/- 2.5m.
11. Asigne una leyenda de evaluación al modelo de bloque. Para este ejemplo, se ha usado la leyenda
generada en el ejemplo previo.
12.
Evaluar un solo string
Para seleccionar y evaluar strings únicos, siga individualmente estos pasos:
13. Seleccionar un unico string y correr el comando Models | Evaluate | String Dynamic evaluation Report.

84
14. Cambie el valor de densidad predeterminado, seleccione las columnas de ley que serán reportadas,
cambiar los límites a 2.5 y haga clic en Aceptar.
15. El cuadro de diálogo Table View muestra un resumen de las toneladas y el grado de cada bin en la leyenda
de los grados seleccionados.
16. Seleccionar múltiples strings en la ventana Design, esto le dará un informe separado toneladas / leyes para
cada string. En el cuadro de diálogo Table View si hace clic en Combinar Bloque le dará un resultado
combinado de ambas string.

85
17. Use Guardar resultados para guardar los resultados en un objeto
18. un objeto llamado 245res aparecerán en la barra de control de los datos cargados. Con el fin de guardar
estos resultados en un archivo haga clic derecho en objeto las 245res y ejecutar el comando de Data | Save
As. Seleccione el botón de archivo Datamine (.dm) y escriba un nombre de archivo
19. Para ver los resultados abrir el archivo recién creado en Datamine Table Editor.

86
Evaluar todos los strings
Para evaluar todos los strings cargados siga estos pasos:
1. Cargue los archivos de resultados actualmente existentes pulsando en el botón derecho en el objeto, en
la barra de control Loaded Objects y seleccione Data | Unload.
2. Ejecute el comando Models | Evaluate | All Strings (eva o ).
3. Se le solicitará los valores para near y far projection distances y para block identifier e increment. Ingrese
los valores apropiados y pulse OK.

87
4. Aparecerá un objeto llamado RESULTS en la barra de control de Loaded Data. Para guardar estos resultados
pulse el botón derecho en el objeto RESULTS y ejecute el comando Data | Save As. Seleccione el botón
Datamine (.dm) file e ingrese un nombre de archivo antes de pulsar Save
5. Para visualizar los resultados abra el archivo recientemente creado en el Datamine Table Editor.
Ejemplo 3: Evaluación Interactiva usando Wireframes
Es posible evaluar por encima o por debajo de un DTM o dentro de un wireframe cerrado. Este ejemplo presenta
el procedimiento involucrado en la evaluación de un modelo de bloque dentro de un wireframe cerrado.
El modelo de bloque usado en este ejemplo es _ubm5cat que representa parte de un cuerpo mineral subterráneo
con celdas de 5x5x5m. La evaluación se realizará en el campo de leyes Au.
El wireframe usado es __uoretr/_uorept que representa tres zonas de minerales. En este ejemplo, la evaluación
para ZONE=2 será ejecutada.
1. Cargue el modelo de bloque y los archivos de wireframe en la ventana 3D.
2. Asigne una leyenda de evaluación para el modelo de bloque. Para este ejemplo, se ha usado la leyenda
generada en el ejemplo previo.
3. Asegúrese que no se han cargado otros archivos de resultado y ejecute el comando Models | Evaluate |
Wireframe (evw o ). Defina que wireframe va a usar en el dialogo Evaluate Wireframes y si es un closed
volume o un DTM.

88
4. Seleccione la zona de la wireframe con la herramienta
5. Pulse OK e ingrese el valor Mining Block Identifier o acepte el valor por defecto.
6. Aparecerá un resumen de los resultados. Seleccione Yes para aceptar los resultados
7. Aparecerá un objeto llamado RESULTS en la barra de control Loaded Data. Para guardar estos resultados
pulse el botón derecho en el objeto RESULTS y ejecute el comando Data | Save As. Seleccione el botón
Datamine (.dm) file e ingrese un nombre de archivo antes de pulsar Save.
8. Para visualizar los resultados, abra la carpeta creada recientemente en el Datamine Table Editor.
Ejemplo 4: Evaluación usando Comandos por Lote – TONGRAD.

89
El comando TONGRAD le permite evaluar ya sea un modelo de bloque o un archivo de drillhole y crear un archivo
de resultados. Este comando puede guardarse en un macro. Este ejemplo usa TONGRAD para calcular las leyes y
toneladas Au y Ag dentro de un wireframe.
Los resultados se categorizaran en la base de un campo de zona (ZONE) y rangos de 1.5 (p.ej. 0-1.5, 1.5-3.0 etc.)
1. Ejecute el comando por el menú Models | Reserves Processes | Calculate Model Tonnes y Grade o escriba
TONGRAD en la línea Command.
2. Complete el cuadro de diálogo TONGRAD:
TONGRAD dialog
Files tab
IN1 _ubm5cat
OUT results5
CSVOUT
Fields tab
F1 AU
F2 AG
KEY ZONE
Parameters tab
COGSTEP 1.5
3. Puede visualizar los resultados usando el Datamine Table Editor

90
Apendice 1: Studio Field Names
DRILLHOLE FILES
Los archivos de Static drillholes tienen cada muestra identificada de un sondaje identificado identificado
independientemente por su ubicacion y direccion en el espacio. Cada archive de sondaje contiene once campos, a pesar
de si son muestras “raw” o compositados.
Los campos estandares son:
FIELD TYPE STORED COMMENTS

The hole number or identifier for the hole. BHID is usually an
BHID A/N Y
ALPHA field, but may be numeric
FROM N Y The downhole depth to the start of the sample.
TO N Y The downhole depth to the end of the sample.
LENGTH N Y The length of the sample.
X N Y The X coordinate at the centre of the sample.
Y N Y The Y coordinate at the centre of the sample.
Z N Y The Z coordinate at the centre of the sample.
The bearing or direction of the sample, looking along the hole
from the collar. This is expressed in degrees and is in the range 0
to 360. A0 is normally a stored (explicit) field, but if all the holes
A0 N Y/N
in the file have the same bearing, it may be implicit. This could
occur where, for example, all the holes are vertical and have a
bearing of zero.
The dip of the sample, looking along the hole from the collar, B0
is in the range –90 to 90, with positive dips down, so a dip of 90
B0 N Y/N
means the sample is oriented vertically downward. Like the A0
field, B0 is normally explicit but can be implicit.
C0 N Y/N Not used
RADIUS N N Not used.
Ademas de estos campos, los sondajes pueden tener campos adicionales los cauales contienen data registrada para las
muestras, como los valores de muestras o litologia. Estos campos adicionales pueden ser numericos o alfanumericos.
Algunos ejemplos tipicos son:

AU N Y Gold assay values.
ROCK A Y Lithology codes.

91
ARCHIVOS STRING
Los archivos string contienen un minimo de cinco campos los cuales describen el punto en el string y al string al que
pertenece. Un perimetro es un string simplemmente cerrado, por ejemplo el primer y el último punto del string es el
mismo y asi forma un area cerrada.
Los campos estandar son:

PVALUE The number of the string in the field. This is simply a numeric
identifier, and has a constant value for the entire string. PVALUE
N Y does not have to be sequential from one string to the next. In
general, PVALUE is of no concern to the user, as the software will
select and use an appropriate value.
PTN The point number on the string. This number is sequential from
N Y point to point, and must start at one. Thus the starting point of
the string has PTN=1, the next point has PTN=2 and so on.
XP N Y The X coordinate value of the point.
YP N Y The Y coordinate value of the point.
ZP N Y The Z coordinate value of the point.
The Datamine color value to be used when displaying or plotting
COLOUR N Y
the string.
En adicion de estos campos, los strings pueden tener campos de atributos adicionales los cuales describen algunas
propiedades asociadas al string, como el tipo de roca o el codigo del material. Los campos de atributos pueden ser
numericos o alfanumericos y son tipicamnete constant para todo el string. Algunos ejemplos tipicos del atributos de
strings son:
ROCK N Y Numeric rock type codes.

Destination codes for the material enclosed by the string. Typical
DEST A Y
values might be WASTE, S/PILE or CRUSHER.

92
ARCHIVOS POINT
Los archivos de contienen un minimo de cinco campos el cual define las coordenadas X, Y y Z de cada punto, el simbolo
de la forma y el color del simbolo.
Los campos estandares son:

XPT N Y The X coordinate value of the point.
YPT N Y The Y coordinate value of the point.
ZPT N Y The Z coordinate value of the point.
The Datamine color value to be used when displaying or plotting
COLOUR N Y
the string.
The Datamine symbol type to be used when displaying or plotting
SYMBOL N Y
the point.
Los archivos Point pueden opcionalmente contener los siguientes campos adicionales:

SDIP N Y Dip
DIPDIRN N Y Dip Direction

SYMSIZE N Y Symbol Size in millimeters
Ademas de estos campos, los puntos pueden tener campos de atributos adicionales los cuales describen algunas
propiedades asociadas con el punto numero de muestra o un codigo de un area de proyecto. Algunos ejemplos de
tributos de puntos son:
SAMPID N Y Sample identification number for a soil or a stream sample.
AREA A Y The name of the project area from which the sample was taken.

93
ARCHIVOS WIREFRAME
Dos archivos se requieren para definer una wireframe, un archivo de triangulos y un archive de puntos. El archive de
triangulos define cada triangulo port res puntos en los vertices, mientras que el archivo de puntos contiene las
coordenadas de cada punto. Dos archivos son usados primariamente para reducir el espacio de almacenamiento
requerido.
El archivo wireframe triangle tiene los siguientes campos estandares:

TRIANGLE N Y A number for the triangle, used simply as an identifier.
Identification number for the first point of the triangle. This is
PID1 N Y
cross-referenced to the point file.
PID2 N Y Identification number for the second point of the triangle.
PID3 N Y Identification number for the third point of the triangle

The Datamine color value to be used when displaying or
COLOUR N Y
plotting the wireframe.
En adicion a estos campos, cualquier campo de atributos definidos asociados con la data de la wireframe estan
almacenados en este archive. Algunos ejemplos típicos de atributos de wireframe incluyen:

ROCK N Y Numeric rock type codes.
Codes to identify different open pit wireframes. Typical values
PIT A Y
might be EAST or MAIN.
El archive wireframe points tiene cuatro campos estandares.

A numeric identifier for the point. This corresponds to PID1,
PID N Y
PID2 and PID3 of the triangle file.
XP N Y The X coordinate of the point.
YP N Y The Y coordinate of the point.
ZP N Y The Z coordinate of the point.

94
ARCHIVOS MODEL
Cada registro en un archivo de modelo define el tamao y la ubicacion de un bloque rectangular o celda. Hay 13 campos
estándar. Los archivos estándares son:

XC N Y The X coordinate at the centre of the cell.
YC N Y The Y coordinate at the centre of the cell.
ZC N Y The Z coordinate at the centre of the cell.
The X dimension of the cell. If the model contains subcells, then
XINC is stored (explicit), as the dimensions can vary from block to
XINC N Y/N
block. If there are no subcells then every block is the same size
and the XINC value may be implicit.
YINC N Y/N The Y dimension of the cell.
ZINC N Y/N The Z dimension of the cell.
XMORIG N N The minimum X coordinate of the model.
YMORIG N N The minimum Y coordinate of the model.
ZMORIG N N The minimum Z coordinate of the model.
NX
The number of parent cells in the X direction. With the XINC
N N value this determines the maximum X coordinate of the model;
i.e. XMORIG +(XINC * NX)
NY N N The number of parent cells in the Y direction.

NZ N N The number of parent cells in the Z direction.
IJK A code which is generated and used by Studio 3 to identify each
parent cell in the model. Subcells have the same IJK value as their
parent. IJK is calculated as a function of the position of the cell in
N Y
the model, and has a minimum value of zero. In general, the IJK
value is of no importance to the user, except that model files
should be sorted by IJK.
Ademas de estos campos, los modelos pueden tener campos adicionales como valores de leyes o códigos litológicos.
Estos campos adicionales pueden ser numéricos o alfanuméricos. Algunos ejemplos típicos son:

AU N Y Gold assay values.
ROCK N Y Stratigraphy codes.
DENSITY N Y Density value.
En la practica los campos XINC, YINC, y ZINC estan establecidos como campos explicitos (almacenados). Esto es
necesario si el modelo va a ser cambiado después usando el proceso SLIMOD.

95
ARCHIVO DE PARAMETRO SEARCH VOLUME
El archive de parametros de volume de busqueda define un conjunto de volumenes de busqueda a ser usadas por el
proceso de interpolacion como ESTIMATE, ESTIMA y XVALID. Puede ser creado usando el proceso estandar de base
de datos como el Datamine Table Editor, el proceso de DEFPARM o el menú de estimación de leyes ESTIMATE. El
archivo contiene 24 campos todos de los cuales son compulsory. Una descripción más detallada de los campos se dan
en la guía del usuario de estimación de leyes.
Numeric /
Field Description
Alphanumeric
Search volume reference number. This is a numeric identifier to allow one or more
SREFNUM N
search volumes to be selected from the file.
SMETHOD N Search volume method (1 = 3D rectangle, 2 = ellipsoid).
SDIST1 N Length of axis 1, initially in X direction prior to rotation.
SDIST2 N Length of axis 2, initially in Y direction prior to rotation.
SDIST3 N Length of axis 3, initially in Z direction prior to rotation.
SANGLE1 N First rotation angle, defining orientation of search ellipsoid.
SANGLE2 N Second rotation angle, defining orientation of search ellipsoid.
SANGLE3 N Third rotation angle, defining orientation of search ellipsoid.
SAXIS1 N First rotation axis: 1=X axis, 2=Y axis, 3=Z axis.
SAXIS2 N Second rotation axis: 1=X axis, 2=Y axis, 3=Z axis.
SAXIS3 N Third rotation axis: 1=X axis, 2=Y axis, 3=Z axis.
MINNUM1 N Minimum number of samples for first dynamic search volume.
MAXNUM1 N Maximum number of samples for first dynamic search volume.
SVOLFAC2 N Axis multiplying factor for second dynamic search volume.
MINNUM2 N Minimum number of samples for second dynamic search volume.
MAXNUM2 N Maximum number of samples for second dynamic search volume.
SVOLFAC3 N Axis multiplying factor for third dynamic search volume.
MINNUM3 N Minimum number of samples for third dynamic search volume.
MAXNUM3 N Maximum number of samples for third dynamic search volume.
OCTMETH N Octant definition method: 0 = do not use octants, 1 = use octants.
MINOCT N Minimum number of octants to be filled.
MINPEROC N Minimum number of samples in an octant.
MAXPEROC N Maximum number of samples in an octant.
MAXKEY N Maximum number of samples with same key field value.

96
ARCHIVO DE ESTIMATION PARAMETER
El archive de parametros de estimacion define un conjunto de parametros de estimacion de leyes define un conjunto
de parámetros de estimación de leyes para ser utilizado por los procesos de estimación de leyes como ESTIMA,
ESTIMATE y XVALID. Puede ser creada usando procesos de base de datos estándar, como INPUTD y el Datamine Table
Editor, o la forma más sencilla es utilizar ESTIMATE. El archivo contiene hasta 29 campos de los cuales sólo VALUE_IN y
SREFNUM son obligatorios. Una descripción más detallada de los campos se da en la Guía del usuario del grado de
estimación.

97
Numeric /
Field Description
Alphanumeric
VALUE_IN A-8 Name of field to be estimated.
VALUE_OU A-8 Name of field to be created.
SREFNUM N Search volume reference number.
{ZONE1_F} A/N First field controlling estimation by zone.
{ZONE2_F} A/N Second field controlling estimation by zone.
NUMSAM_F A-8 Field to contain number of samples used.
SVOL_F A-8 Field to contain dynamic search volume.
VAR_F A-8 Field to contain variance.
MINDIS_F A-8 Field to contain transformed distance to nearest sample.
Estimation method:
IMETHOD N 1=Nearest Neighbour, 2=Inverse Power of Distance, 3=Ordinary Kriging,
4=Simple Kriging, 5=Sichel's t-Estimator.
Anisotropy method for IMETHOD=1 or 2:
ANISO N
0=isotropic, 1=use search volume, 2=use ANANGLE1, etc.
ANANGLE1 N First rotation angle, defining anisotropy ellipsoid for IMETHOD=1 or 2.
ANANGLE2 N Second rotation angle, defining anisotropy ellipsoid for IMETHOD=1 or 2.
ANANGLE3 N Third rotation angle, defining anisotropy ellipsoid for IMETHOD=1 or 2.
Length of anisotropy axis 1, initially in X direction prior to rotation, for
ANDIST1 N
IMETHOD=1 or 2.
Length of anisotropy axis 2, initially in Y direction prior to rotation, for
ANDIST2 N
IMETHOD=1 or 2.
Length of anisotropy axis 3, initially in Z direction prior to rotation, for
ANDIST3 N
IMETHOD=1 or 2.
POWER N Power of distance for Inverse Power of Distance (IPD) weighting.
IPD - constant added to distance.
ADDCON N
Sichels t - additive constant for lognormal distribution.
VREFNUM N Variogram model reference number
Lognormal kriging flag:
LOG N
0=linear, 1=log.
GENCASE N Lognormal kriging method:0=Rendu, 1=General Case.
DEPMEAN N Mean for lognormal variance calculation.
TOL N Convergence tolerance for log kriging.
MAXITER N Maximum number of iterations for log kriging.
Treatment of negative kriging weights:
KRIGNEGW N
0=keep and use, 1=ignore samples with negative weights.
Treatment of kriging variance > sill:
KRIGVARS N
0=keep KV>sill, 1=set KV=sill.

98
Method for calculation of local mean for simple kriging:

LOCALMNP N
1=field from PROTO file, 2=calculate mean.
LOCALM_F A-8 Name of local mean field in PROTO for simple kriging.

99
ARCHIVO DE MODELO VARIOGRAMA
El archivo de modelo de variograma define un conjunto de parámetros de variograma para ser utilizado por los procesos
de estimación de leyes tales como ESTIMA, ESTIMATE y XVALID. Es creado por el variograma interactiva VARFIT proceso
de adaptación. Una descripción más detallada de los campos se da en la Guía del usuario del grado de estimación.
Numeric /
Field Description
Alphanumeric
Variogram reference number. This is a numeric identifier to enable one or
VREFNUM N
more variograms to be selected from the file.
VANGLE1 N First rotation angle, defining orientation of range ellipsoid
VANGLE2 N Second rotation angle, defining orientation of range ellipsoid
VANGLE3 N Third rotation angle, defining orientation of range ellipsoid
VAXIS1 N First rotation axis (1=X axis, 2=Y axis, 3=Z axis)
VAXIS2 N Second rotation axis (1=X axis, 2=Y axis, 3=Z axis)
VAXIS3 N Third rotation axis (1=X axis, 2=Y axis, 3=Z axis)
NUGGET N Nugget Variance
Variogram model type for structure 1:
ST1 N
1 = Spherical, 2=power, 3=exponential, 4=Gaussian, 5=De Wijsian
ST1PAR1 N Structure 1, parameter 1 (Range in X direction for spherical model)
ST1PAR2 N Structure 1, parameter 2 (Range in Y direction for spherical model)
ST1PAR3 N Structure 1, parameter 3 (Range in Z direction for spherical model)
ST1PAR4 N Structure 1, parameter 4 (Spatial variance for spherical model)
Los campos que se muestran en la tabla anterior son el mínimo necesario para un modelo de variograma sola
estructura. Si el modelo de variograma incluye dos o más estructuras a continuación, se requiere un cuatro campos
adicionales para cada estructura - ITS, STiPAR1, STiPAR2, STiPAR3, STiPAR4 para cada estructura.LINE STYLE CODES

100
STYLE LINE CODES
1001
1002
1003
1004
1005
1006
1007
SYMBOL CODES

101
Apendice 2: Nombres de campos Estandar

Los siguientes campos estan reservados para el Studio RM. Al crear nuevos campos de asegurarse de que no son uno
de los siguientes:
A-E
A0 PTN YMAX
AT RDFLAG YMIN
B0 S1 ZCENTRE
BHID PVALUE ZCOLLAR
BLOCKID RADIUS YMORIG
BRG S2 YP
C0 SAZI YPT
CHARSIZE SDIP YRT
CODE SURFACE YSCALE
COLOUR SYMBOL Z
DENSITY SYMSIZE ZC
DIP TAG ZINC
DIPDIRN TO ZMORIG
F-J TONNES ZP
FACE TONNESA ZPT
FILLODE TONNESB ZCENTRE
TONNESC
FILENAM to
TONNESZ
FROM TRIANGLE
GROUP U-Z
HSIZE VSIZE
IJK X
K-O XC
LAYER XCENTRE
LENGTH XCOLLAR
LINK XINC
LSTYLE XMAX
NORMAL-X XMIN
NORMAL-Y XMORIG
NORMAL-Z XP
NX XPT
NY XRT
NZ XSCALE
P-T Y
PID YC
PID1 YCENTRE
PID2 YCOLLAR
PID3 YINC

102
Apendice 3: Color Codes
Value Color Value Color

1 default 33 Yellow 5
2 red 34 Yellow 6
3 orange 35 Green 1
4 yellow 36 Green 2
5 green 37 Green 3
6 cyan 38 Green 4
7 blue 39 Green 5
8 magenta 40 Green 6
9 Bright red 41 Cyan 1
10 Bright green 42 Cyan 2
11 Bright Blue 43 Cyan 3
12 white 44 Cyan 4
13 Light grey 45 Cyan 5
14 Dark Grey 46 Cyan 6
15 black 47 Blue 1
16 Dull Green 48 Blue 2
17 Red 1 49 Blue 3
18 Red 2 50 Blue 4
19 Red 3 51 Blue 5
20 Red 4 52 Blue 6
21 Red 5 53 Magenta 1
22 Red 6 54 Magenta 2
23 Orange 1 55 Magenta 3
27 Orange 5 59 Custom 1
28 Orange 6 60 Custom 2
29 Yellow 1 61 Custom 3
32 Yellow 4

103
Apendice 4: Grade Estimation – References

Clark, I.
'Practical Geostatistics'
Applied Science Publishers Ltd, London 1979
ISBN 0-85334-843-X
David, M.
'Geostatistical Ore Reserve Estimation'.
Elsevier Scientific Publishing Company, 1977
ISBN 0-444-41609-9 (series) 0-444-41532-7 (vol. 2)
David, M.
'Handbook of Applied Advanced Geostatistical Ore Reserve Estimation'.
Elsevier Scientific Publishing Company, 1988
Deutch, C.V. and Journel, A.G.

'GSLIB. Geostatistical Software Library and User's Guide'
Oxford University Press, 1992
ISBN 0-19-507392-4
Dowd, P.A.
'Lognormal Kriging - The General Case'.
Mathematical Geology, 1982
Isaaks, E.H. and Srivastava, R.M.

'An Introduction to Applied Geostatistics'
Oxford University Press, 1989
ISBN 0-19-505012-6 0-19-505013-4 (pbk.)
Newton, M.J.
'Variogram Calculation and Kriging for Folded Deposits'.
Mineral Resource Evaluation' 95 Conference, April 1995
Leeds University, UK
Sichel, H.S.
'The Estimation of Means and Associated Confidence Limits for Small Samples from Lognormal Populations'.
Symposium on Mathematical Statistics and Computer Applications in Ore Valuation, Journal of the South African
Institute of Mining and Metallurgy, March 1966

1
CAE Mining Australia Pty Ltd Trading as Datamine
Manual Olguin 335, Oficina 503
<SANTIAGO DE SURCO, LIMA>
<Tel: +511 4342727>
www.dataminesoftware.com

Idioma

¡Te damos la bienvenida a Scribd!

Geoestadisitca.pdf

Cargado por

Información del documento

Fecha en que fue cargado

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Descripción:

Copyright:

Formatos disponibles

Geoestadisitca.pdf

Cargado por

Descripción:

Copyright:

Formatos disponibles

Títulos relacionados

1

MANUAL ENTRENAMIENTO GEOESTADISTICA I STUDIO RM

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Apendice 1: Studio Field Names 90

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Las tareas relacionadas con la estimación de leyes en Studio RM son:

• Preparación y validación de datos.

• Modelamiento y ajuste del variograma

Uso del Manual de Capacitacion

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

FOOTPRINT DE SOLUCIONES DE DATAMINE SOFTWARE

Gestion de los Datos Geologicos

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Interpretacion Geologica/Modelo de bloques Geologico y

Para mayor información, visite sitio web http://www.dataminesoftware.com.

COMPOSITACION DE DATOS DE SONDAJE

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Se recomienda que configure MINGAP=0.001 y MINCOMP=0.

Determinar la extensión de cada drillhole agregando extensiones de muestras individuales en drillholes

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Los archivos requeridos son:

File Name Data type Description

Ejemplo 1: Compositando Sondajes

El procedimiento de compositacion sera el siguiente

1. Crear un Nuevo Proyecto de Studio RM en la ubicacion C:\Database\Res_Eval.

2. Visualizar el menu de Sample Analysis.

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Utilice el botón Browse para explorar y seleccionar los archivos de de entrada

Si el parametro MODE se establece en 1 en COMPDH entonces la longitud del intervalo se

5. El desarrollo del commando se aprecia en la ventana Command.

6. Drillholes folder in the Project Files control bar.

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Ejemplo 2: Validacion – Comprobacion de longitudes de sondaje

1. Ejecutar el comando Applications | Statistical Processes | Statistical Utilities | Accumulate on

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Drillhole Output file Length

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

3. En el cuadro de diálogo Expression Translator la expresión que sigue:

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Las tareas relacionadas con la estimación dentro del Studio RM son:

• Preparacion y validación de datos

El término estadística se refiere al conjunto de herramientas matemáticas usadas para el análisis,

• Estadística de resumen comando STATS

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Otra forma de visualizar simultáneamente dos histogramas mediante líneas graficas

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

• Resumen de media y varianza de cada campo numérico

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Scatter Plot of AU and CU Scatter Plot of AU and CU

Correlation Coefficient = -0.02 3500

QQ Plots mostrara un sesgo, pero no va a mostrar un sesgo aceptable

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

• 3: selecciona la muestra más cerca al centro de celda de grilla.

Seleccionar una muestra al azar dentro de cada celda de la grilla.

Selecciona las muestras que se encuentran cerca al centro de la grilla

MANUAL ENTRENAMIENTO GEOESTADISTICA | Studio RM

Calcula el valor medio de todas las muestras dentro de la celda de la grilla.

DCWEIGHT = NDATA / NCELLS / NPERCELL