Documentos de Académico
Documentos de Profesional
Documentos de Cultura
02 Recursos Recuperables
02 Recursos Recuperables
recuperables
Motivación
Ejemplo 2: curvas tonelaje-ley para estimar los recursos recuperables sobre una
ley de corte
Motivación
+
T ( z ) = E[1Z z ] = f (u ) du = 1 − F ( z )
z
+
Q( z ) = E[ Z 1Z z ] = u f (u ) du
z
Q( z )
m( z ) = = E[ Z | Z z ]
T ( z)
B( z ) = Q( z ) − z T ( z ) = E[(Z − z )1Z z ]
z R, T ( z ) = 1 − F ( z )
Curvas de selectividad
Para una ley de corte z dada, la cantidad de metal Q(z) representa el área del
dominio delimitado por la curva tonelaje-ley y la línea recta de ordenada T(z):
+
Q( z ) = u f (u ) du
z
+
= z T ( z) + T (u ) du
z
+
= min {T ( z ),T (u )}du
0
Curvas de selectividad
+
T [0,1], Q(T ) = min{T , T (u )}du
0
La curva Q(T) tiene los siguientes valores extremos: Q(0) = 0 y Q(1) = E(Z) = m.
Es una curva creciente y cóncava. Los puntos de la curva cercanos al origen
representan las leyes altas (bajo tonelaje), mientras que los puntos lejanos al
origen representan las leyes bajas (alto tonelaje).
Curvas de selectividad
Q(T ) = Q0 + z0 (T − T0 ) = B0 + z0 T
La distribución de una ley depende del soporte en el cual se mide dicha ley:
este efecto de soporte debe tomarse en cuenta al momento de estimar los
recursos recuperables, dado que los datos de muestreo están definidos en un
soporte (casi) puntual, mientras que interesa calcular los recursos en un
soporte más voluminoso (bloques).
testigo de
sondaje unidad selectiva
polígono de extracción
minera (USM)
Cambio de soporte
1
Z (v ) =
|v| v
Z (x) dx
Para que el cambio de soporte tenga sentido, es necesario que la ley sea una
variable aditiva.
Cambio de soporte
Soporte pequeño: tonelaje, ley media y cantidad de metal sobre ley de corte z = 1.
T(1) = 8 / 16 = 0.5
m(1) = (1.68+1.45+2.07+1.02+2.03+1.03+1.19+1.01) / 8 = 1.435
Q(1) = 0.5 × 1.435 = 0.7175
Cambio de soporte
Soporte grande: tonelaje, ley media y cantidad de metal sobre ley de corte z = 1.
T(1) = 2 / 4 = 0.5
Para el mismo tonelaje que en el caso del
m(1) = (1.50+1.06) / 2 = 1.28 soporte pequeño, se recupera una menor
cantidad de metal y una menor ley media.
Q(1) = 0.5 × 1.28 = 0.64
Relaciones entre distribuciones
de soportes distintos
Observemos la distribución de ley en tres soportes distintos
Relaciones entre distribuciones
de soportes distintos
Qeff (T ) Qv (T ) Q(T )
meff (T ) mv (T ) m(T )
Beff ( z ) Bv ( z ) B( z )
Q* (T ) = E [ Z * (v)1Z * ( v ) z ] Qeff (T )
m* (T ) = Q* (T ) / T meff (T )
B* ( z ) = Q* ( z ) − z T* ( z ) Beff ( z )
Esta media no depende del soporte, por lo que se puede estimar por la
media de los datos de soporte puntual:
n
m = wa z (x a )
*
a =1
con
1
| v |2 v v g(x − y) dx dy
g ( v, v ) =
Modelos de cambio
de soporte
Etapa 3: estimación de la forma de la distribución de ley de bloque
v
Qv (T ) = Q(T ) + 1 − v mT
x x
Pros
• modelo sencillo
• la selectividad decrece cuando el soporte aumenta
Contras
• la distribución no se simetriza cuando el soporte aumenta
• no es adecuada para un soporte muy grande
• no es adecuada para distribuciones con un “efecto cero”
Corrección lognormal directa
La transformación matemática es
Pros
• la distribución modelada se simetriza cuando el soporte aumenta
• la selectividad decrece cuando el soporte aumenta
• el modelo es adecuado incluso para bloques de gran soporte
Contras
• el modelo solo es adecuado para leyes de distribución puntual lognormal
Corrección lognormal indirecta
Pros
• la distribución modelada se simetriza cuando el soporte aumenta
• la selectividad decrece cuando el soporte aumenta
Contras
• modelo adecuado solamente para leyes de distribución puntual “cercana” a
una lognormal
• modelo inadecuado para bloques grandes
• modelo inadecuado para distribuciones con un “efecto cero”
Modelo Gaussiano discreto
Hipótesis
Z (v ) = fv (Yv )
Coeficiente de
cambio de soporte r
Modelo Gaussiano discreto
Esta ecuación entrega una relación entre las anamorfosis puntual y de bloque:
y R, fv ( y ) = f(r y + 1 − r 2 t ) g (t ) dt
1 d p g ( y)
pN,yR, H p ( y ) =
p! g ( y) dy p
H 0 ( y) = 1
H1 ( y ) = − y
p N, H p + 2 ( y ) = − 1 y H p +1 ( y ) − p +1
H p ( y)
p+2 p+2
Modelo Gaussiano discreto
+
f ( y) = f p H p ( y)
p =0
+
fv ( y ) = f p r p H p ( y )
p =0
Por ende, solo basta con especificar el coeficiente de cambio de soporte (r)
para determinar enteramente la distribución de leyes de bloques.
Modelo Gaussiano discreto
r 2 2
yR,fv ( y ) = mZ exp(r y − )
2
Tv ( z ) = 1 − G ( y )
+
Qv ( z ) = f0 [1 − G( y )] − f p r p 1
p
H p −1 ( y ) g ( y )
p =1
+
var(Z (v)) = f2p r 2 p
p =1
r = 0.86
Modelo Gaussiano discreto
K K
Z (v) = l k Z (u k ) con l k 0 y l k = 1
*
k =1 k =1
+
var(Z (v)) = f p r
2 2p
p =1
+
var(Z (v)) = f p (r )
* 2 * 2p
p =1
+
cov(Z (v), Z (v)) = f2p (r r * rv ) p
*
p =1
Para que Z*(v) no tenga sesgo condicional, se debe tener r* = r rv, en cuyo
caso la regresión de Z(v) sobre Z*(v) coincide con la identidad:
Teff ( z ) = 1 − G ( y * )
+
Qeff ( z ) = f0 [1 − G( y )] − f p (r rv ) p
* 1
p
H p−1 ( y* ) g ( y* )
p =1
Pros
• la distribución modelada se simetriza cuando el soporte aumenta
• la selectividad decrece cuando el soporte aumenta
• el modelo es adecuado para bloques grandes
• el modelo es adecuado para numerosos tipos de distribuciones de leyes
• el modelo puede modelar el efecto de información
Contras
• el modelo puede ser inadecuado para distribuciones con un “efecto cero”
Modelo Gaussiano discreto
Modelo Gaussiano discreto
Modelo Gaussiano discreto
Síntesis
Corrección Cercana a
afín
Gaussiana
Corrección
lognormal Lognormal
directa
Corrección
Cercana a
lognormal lognormal
indirecta
Modelo
Gaussiano Cualquiera
discreto
Estimación local de los
recursos recuperables
Noción de distribución condicional
Para tomar en cuenta la información local aportada por los datos de muestreo, se
utiliza el concepto de distribución de probabilidad “condicional”:
zz
R data)) == EE[[11ZZ((xx))zz||ZZ((xx11),...
R,, FF((xx;;zz||datos ),...ZZ((xxnn)]
)]
1 si Z (x) z
1Z ( x ) z =
0 en caso contrario
• Para k = 1… K:
1. Codificar los datos en indicadores 1Z (x ) zk
2. Hacer el análisis variográfico del indicador
3. Hacer el kriging del indicador
0.85
0.95
0.52
0.61
Kriging de indicadores
para variables continuas
Ejemplo Primer indicador (z1 = 0.7)
• Codificación de datos en
0
indicadores
0
0
0
1
Kriging de indicadores
para variables continuas
Ejemplo Segundo indicador (z2 = 1.0)
• Codificación de datos en
0
indicadores
0
1
1
1
Kriging de indicadores
para variables continuas
Ejemplo Tercer indicador (z3 = 1.3)
• Codificación de datos en
0
indicadores
1
1
1
1
Kriging de indicadores
para variables continuas
Ejemplo Resumen (z1, z2, z3)
• Codificación de datos en
(0,0,0)
indicadores
(0,0,1)
(0,1,1)
(0,1,1)
(1,1,1)
(1,1,1)
Kriging de indicadores
para variables continuas
Ejemplo
i1*=0.05
0
0
1
Kriging de indicadores
para variables continuas
Ejemplo
i2*=0.35
1
1
1
Kriging de indicadores
para variables continuas
Ejemplo
i3*=0.83
1
1
1
Kriging de indicadores
para variables continuas
Ejemplo
1.00 1.00
0.83 0.83
0.35 0.35
0.05 0.05
0.00 0.00
z1 z 2 z3 z1 z2 z3
Problemas de relación de orden
1) 0 F(x ; z | datos) 1
1) Corrección de límite
0 si F (x; z k | datos)* 0
F (x; z k | datos) = F (x; z k | datos)* si 0 F (x; z k | datos)* 1
**
1 si F ( x; z k | datos) *
1
2) Corrección de monotonicidad
Resumen
Cambio de soporte
Dos ingredientes
• Aplicar una corrección (afín, lognormal, etc.) para modelar el cambio de soporte
Cambio de soporte
Inconvenientes
• Para k = 1… K:
• Tres categorías: A, B, C
A
• 1 punto a estimar (cuadrado rojo) A
B
B
B
Kriging de indicadores
para variables categóricas
Ejemplo Primer indicador (A)
0
0
0
Kriging de indicadores
para variables categóricas
Ejemplo Segundo indicador (B)
1
1
1
Kriging de indicadores
para variables categóricas
Ejemplo Tercer indicador (C)
0
0
0
Kriging de indicadores
para variables categóricas
Ejemplo Resumen (A,B,C)
(0,1,0)
(0,1,0)
(0,0,1)
(0,1,0)
Kriging de indicadores
para variables categóricas
Ejemplo
iA*=0.65
0
0
0
Kriging de indicadores
para variables categóricas
Ejemplo
iB*=0.25
1
1
1
Kriging de indicadores
para variables categóricas
Ejemplo
iC*=0.05
0
0
0
Kriging de indicadores
para variables categóricas
Ejemplo
1.00
0.95 1.000
0.90 0.947
0.65 0.684
0.00 0.00
A B C A B C
Modelo Gaussiano discreto
Dominio
Dato de posición
aleatoria dentro de su
bloque
Bloque
Modelo Gaussiano discreto
Hipótesis:
Z (v ) = fv (Yv )
• la anamorfosis puntual f
v , v R d
, (v, v) = cov{Yv , Yv }
Modelo Gaussiano discreto
1
g(v, v ) =
| v |2
v v
g(x − y) dx dy
Modelo Gaussiano discreto
+
C (v, v) = f2p r 2 p [(v, v)] p
p =1
Modelo Gaussiano discreto
+ Y SK
[j(Yv )]CE
= j p [1 − ( ) ]
SK 2 p / 2
Hp v
v 1 − ( )
SK 2
p =0 v
Kriging multigaussiano
r 22
Z v = f(Yv ) = m Z exp( r Yv − )
2
r
2 2
[ ( v ) − 1]
SK 2
(Z v )CE = mZ exp r Yv +
SK
2
y − YvSK
CE
{Tv ( z )} = 1 − G
v
SK
+ Y SK
{Qv ( z )} CE
= q p ( y ) [1 − ( SK 2 p / 2
v ) ] H p v
1 − ( SK ) 2
p =0 v
Z(x) Z(v) Yv
Kriging multigaussiano
Z (v1Z) (ifsi
v)ZZsi (v00)..55%
((vv)Z) %0Cu
.Cu
5% Cu Z (v) si Z (v) 0.5% Cu
Q ( 0.5=%)
0
Qv (0T.v5v (%). 5 %) = Qv (0.5%) =
0 en0 casoen caso
otherwise contrario
contrario 0 en caso contrario
Kriging multigaussiano
Z (v1Z) (ifsi
v)ZZsi (v00)..55%
((vv)Z) %0Cu
.Cu
5% Cu Z (v) si Z (v) 0.5% Cu
Q ( 0.5=%)
0
Qv (0T.v5v (%). 5 %) = Qv (0.5%) =
0 en0 casoen caso
otherwise contrario
contrario 0 en caso contrario
Kriging disyuntivo
+ pmax n
j DK
(Yv ) = j p {H p (Yv )} SK
j p lpa H p [Y (x a )]
p =1 p =1 a =1
Idea clave
El condicionamiento uniforme estima la distribución de la ley de bloque a la escala
de un ‘panel’ V (unión de varios bloques), sin distinguir entre los bloques de un
mismo panel. La idea es tener una estimación robusta en casos de estacionaridad
local, al introducir el kriging ordinario de la ley del panel Z(V) como si fuera el
valor verdadero de esta ley.
Condicionamiento uniforme
Modelo
El modelo Gaussiano discreto se extiende al soporte de panel:
+
• ley de soporte puntual: Z (x) = f p H p [Y (x)]
p =0
+
• ley de bloque: Z (v) = f p r p H p (Yv )
p =0
+
• ley de panel: Z (V ) = f p r p H p (YV )
p =0
E{j(Yv ) | Z (V )} = j( R YV + 1 − R 2 u) g (u) du
y − R YVOK
{Tv ( z )}UC = 1 − G 2
1− R
+
{Qv ( z )}UC
= q
p =0
p ( y) R p H p (YVOK )
Pro
• Los recursos recuperables (curvas de selectividad), a la escala de un panel o
del depósito completo, se estiman sin sesgo
Contras
• El modelo de ley es menos preciso que el modelo obtenido por kriging y
puede tener sesgo condicional
• El modelo de ley no es continuo al pasar de un panel a otro.
Condicionamiento
uniforme localizado
Implementación
n
Yv
CS
=Y
v
NCS
+ lSK
a (v ) { ya − Y ( x a )
NCS
}
a =1
Pros
Posibles extensiones
1) Simulación multivariable
2) Simulación conjunta de las leyes reales y las leyes que serán estimadas
en la etapa de producción, de manera de modelar el efecto de información
2) Posibles extensiones:
Kriging
disyuntivo Bloque
Depósito
Gaussiano Condicionamiento
uniforme diseminado Panel
discreto & bloques
pequeños
Condicionamiento
uniforme Bloque
localizado
Simulación directa
de bloques Bloque
Referencias