Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GEOESTADÍSTICA
“Estimación de reserva”
Docente:
Integrantes:
CAJAMARCA
Marzo - 2023
ÍNDICE
1. INTRODUCCIÓN .............................................................................................................. 7
2. RESUMEN ......................................................................................................................... 8
3. OBJETIVOS ....................................................................................................................... 9
4. TERMINOLOGÍA ............................................................................................................ 10
5. MARCO TEÓRICO.......................................................................................................... 12
2
7.3. Análisis Variográfico ..................................................................................... 108
3
ÍNDICE DE FIGURAS
4
Figura 29 Clasificación de reservas minerales y recursos ............................................................ 89
Figura 30 Cálculo de reservas ....................................................................................................... 89
Figura 31 Esquema geológico de un yacimiento .......................................................................... 90
Figura 32 Dos diferentes yacimientos........................................................................................... 91
Figura 33 Tres tipos de contacto ................................................................................................... 92
Figura 34 Cuadro detalle ............................................................................................................... 96
Figura 35 Cuadro detalle ............................................................................................................... 97
Figura 36 Cuadro detalle ............................................................................................................... 97
Figura 37 Cuadro detalle ............................................................................................................... 98
Figura 38 Box plots de Cu y su litología. ................................................................................... 107
Figura 39 Box plots de Cu y su litología. ................................................................................... 108
Figura 40 Muestra de criterios de modelamiento. ...................................................................... 110
Figura 41 Muestra de criterios de modelamiento. ...................................................................... 111
Figura 42 Bloques con leyes de Cu............................................................................................. 113
Figura 43 Bloques con leyes de Cu............................................................................................. 114
Figura 44 Sensibilidad de la ley corte por variación de precios . ............................................... 119
5
ÍNDICE DE TABLAS
Tabla 10. Variacion del precio del metal y ajuste de la ley corte ............................................... 119
Tabla 11. Resevas según varianza de los precios y ley de corte ................................................. 120
6
1. INTRODUCCIÓN
Este informe se enfoca en el tema de la estimación de reserva mineral, que es uno de los
una herramienta crucial en este campo, ya que proporciona una metodología rigurosa y
cantidad y calidad.
valores y asimismo proporcionan alguna medida de certeza o precisión de estas respecto a una
muestra determinada para poder realizar la estimación de una reserva minera. El uso de estos en
ha convertido en una práctica estándar en la industria minera. Esto se debe en gran parte a la
información y la informática, que han permitido un análisis más detallado y preciso de los datos.
inverso de la distancia y técnica del Krigeage, siendo este último el más empleado dentro de la
industria minera, puesto que fue creado para el análisis de suelos, el cual nos permite predecir
diversos valores para un área geográfica a partir de datos recogidos aleatoriamente de una
7
2. RESUMEN
método de la inversa de la distancia, el cual utiliza la distancia a los puntos de datos conocidos
abordará el método de Krigeage, el cual utiliza una combinación lineal de los datos conocidos
qué método utilizar en función de los datos disponibles y la precisión requerida. Luego, se
discutirán los desafíos y limitaciones asociados con estos métodos. Finalmente, se presentará un
8
3. OBJETIVOS
9
4. TERMINOLOGÍA
a) Reservas: “Cantidad de un recurso natural que se encuentra en una ubicación específica y que
2016).
b) Variable de interés: “La variable que se desea estimar, por ejemplo, la cantidad de reservas
c) Kriging: “Una técnica de interpolación geoestadística que utiliza información espacial para
generar una estimación puntual de una variable en un punto específico” (Liu & Li, 2021).
Zamora, 2021).
f) Mapa de kriging: “Un mapa que muestra la distribución espacial de una variable estimada
2021).
espacial entre dos puntos en función de la distancia que los separa” (Gómez & Zamora, 2021).
10
j) Modelo geológico: “Una representación conceptual de la distribución espacial de las rocas y
tienen datos directos, utilizando información de ubicaciones cercanas” (Gómez & Zamora,
2021).
l) Predicción: “La estimación de los valores de una variable de interés en una ubicación donde
no se tienen datos observados, utilizando un modelo estadístico” (Gómez & Zamora, 2021).
m) Validación cruzada: “Una técnica de validación que implica dividir los datos en conjuntos
de entrenamiento y prueba para evaluar el rendimiento del modelo” (Liu & Li, 2021).
n) Sesgo: “La diferencia entre el valor esperado de una estimación y el verdadero valor de la
r) Interferencia de datos: “La influencia de los datos en un sitio en los valores estimados en
11
5. MARCO TEÓRICO
corteza terrestre que puede extraerse o procesarse utilizando los medios tecnológicos disponibles.
con base en datos geológicos, metalúrgicos y tecnológicos específicos (Diaz & Pérez, 2012).
categorías incluyen:
a) Recursos medidos: son aquellos que se han identificado con alta certeza y
detalladas.
b) Recursos indicados: son aquellos que se han identificado con certeza razonable y
12
especulación geológica y que no se han evaluado en absoluto.
Según la United States Geological Survey (USGS), una reserva mineral se define
detallada.
b) Reservas probables: son aquellas que se han identificado con una certeza
geológica y que podrían ser económicamente viables, pero que requieren de una
13
procesamiento. Además, la explotación de las reservas minerales puede estar limitada por
del mercado.
por objeto determinar la cantidad, calidad y posibilidad de explotación comercial del mineral que
imposibles de encarar sin un cálculo seguro de las reservas. La estimación se hace durante toda
la vida útil de una mina a través de un proceso de modelación del yacimiento que se ajuste lo
mejor posible a la realidad en estudio. El método de modelación ideal debe ser simple, rápido,
cualquier etapa. En la actualidad, los métodos modernos que aplican programas de computación
métricas, solo la de los metales preciosos (oro, plata y platino) se calculan en kilogramos u
onzas, los diamantes en quilates (Quilate de gemología: Es una unidad de masa usada,
fundamentalmente, para pesar gemas y perlas, actualmente representa un peso de 200 miligramos
(0,2 gramos) en el Sistema Métrico Decimal. Quilate de orfebrería: Designa la ley (pureza) de
los metales utilizados en las joyas. En este sentido, un quilate de un metal precioso representa la
4,167%). Por ejemplo, si una joya hecha con oro es de 18 quilates, su aleación está hecha de
14
18/24 (ó 3/4) partes de oro y tiene una pureza del 75%; mientras que una pieza de 24 quilates
está hecha de 24/24 partes de oro y por lo tanto es de oro puro). Las reservas de gas natural,
arena, piedras para la construcción, aguas subterráneas, se estiman en metros cúbicos. Esta
cuantificación formal de las materias primas minerales estimada por procedimientos empíricos o
reservas.
exploración que continúa durante la extracción del depósito. Todo trabajo de prospección de
minerales primero ayuda a evaluar las materias primas minerales” (Ghorbani & Asghari, 2013).
Durante la explotación, las estimaciones calculadas previamente se revisan con base en los
El principal objetivo de este trabajo es estimar lo mejor posible la ley y el tonelaje de los
bloques de yacimiento y determinar posibles errores de estimación con cierto grado de certeza.
yacimiento, como uno de los principales factores que afectan su economía, tiene un impacto
importante en la vida útil del yacimiento, su producción anual y la decisión final de iniciar una
15
Según algunos expertos en el área, "Los diferentes métodos de estimación de recursos
utilizados actualmente están determinados por los principios de interpretación y los métodos de
interpolación espacial utilizados. Por ello, desde los inicios de la minería hasta el día de hoy,
los principales parámetros se estiman en base a aritmética y promedios ponderados. Los métodos
basados en computadora, por otro lado, incluyen métodos ponderados por distancia bidireccional
asequibles, actualmente existe una tendencia entre las empresas mineras y las organizaciones
sión minera. Por lo tanto, los cálculos de ley y tonelaje deben ser lo más confiables posiblecon ba
se en las muestras disponibles, la calidad del ensayo y la determinación del control geológico de
la mineralización.
multidisciplinario:
• Geólogo de Recursos
• Ingeniero de Minas
• Metalurgista
• Geoestadístico
16
• Trabajo en equipo
Según Rodríguez et al. (2015) La estimación de recursos mineros se puede dividir en dos
partes:
a)Estimación global: Interesa estimar la ley media y el tonelaje de todo el yacimiento (o de una
17
Figura 2: Estimación local con bloque unitario o unidad básica de cálculo
Fuente: “Estimación de Recursos Mineros por Marco Antonio Alfaro Sironvalle (2007)”
Existen diferentes métodos tradicionales para la estimación de recursos mineros entre los
principales se tiene:
mineral se distribuye de manera uniforme en todo el depósito y que todas las muestras
leyes de las muestras se utiliza para estimar la ley media del depósito, y se multiplica por
el volumen del depósito para obtener una estimación de la cantidad de mineral presente.
Esta técnica es adecuada para depósitos simples y homogéneos, pero puede dar lugar a
cuenta las variaciones de la ley del mineral dentro del depósito (Moreno & Ortiz, 2017).
esencialmente para los yacimientos filonianos, los cuales son divididos en bloques por los
18
laboreos de preparación para la explotación” (p. 142).
mediante la suma ponderada de las leyes de las muestras dentro de cada polígono
dividida por el área del polígono. La suposición subyacente es que la ley del mineral
dentro de cada polígono es uniforme y que las muestras dentro de cada polígono son
las muestras. Se utiliza un sistema de coordenadas en el que las muestras son los nodos, y
los triángulos se construyen uniendo los nodos más cercanos. La ley media del mineral se
estima mediante la interpolación lineal de las leyes de las muestras a lo largo de las
media del mineral por el área del triángulo. Este método es útil para depósitos con una
distribución irregular de las muestras, pero puede dar lugar a una sobreestimación o
interpolan las leyes del mineral entre ellas utilizando métodos de interpolación
19
para depósitos con una geometría compleja y una variabilidad espacial significativa de la
ley del mineral, pero puede ser computacionalmente intensivo y puede requerir la
construcción de múltiples secciones para capturar la variabilidad del depósito (Moreno &
Ortiz, 2017).
en la idea de que la ley del mineral en un punto desconocido se puede estimar mediante
distancia entre el punto desconocido y las muestras. La ley media del mineral se estima
como una media ponderada de las leyes de las muestras, donde los pesos están dados por
simple y rápido de aplicar, pero puede dar lugar a una estimación sesgada si las muestras
estimación de recursos mineros se tratará más a detalle el método de los polígonos y el método
Este método se basa en el hecho de que cada muestra tiene un área de influencia
en el interior del cual, teóricamente el depósito permanece con las mismas características
entre dos muestras consecutivas se hace de manera uniforme, o sea siguiendo el Criterio
20
5.2.1.1. Polígonos resultantes de una distribución irregular de sondeos.
sondeo o muestra. Cada polígono de influencia queda definido por las mediatrices
trazadas sobre los segmentos que unen los sondeos o datos próximos. Tanto el espesor
como la ley del mineral se consideran constantes dentro de cada polígono e iguales a la
21
La hipótesis del método de los polígonos es que en ocasiones son poco realistas.
La principal desventaja de este enfoque es que el peso relativo de los datos aislados es
adecuado para depósitos en forma de placa con un contacto claro de mineral residual, sin
Según Alfaro (2007) en este proceso, el cálculo del tonelaje de mineral y de metal
𝑇 = 𝑆 .𝑃 .𝜌
𝑄 = 𝑇 .𝑧
Donde:
depósito o sector en estudio será la sumatoria de los valores encontrados en cada bloque.
Fórmula general:
22
∑𝑛𝑖=1 𝑍𝑖 × 𝑆𝑖
𝑍𝑆 =
∑𝑛𝑖=1 𝑆𝑖
Donde:
Requiere una gran cantidad de datos. No hay relación entre el volumen de las muestras y
el volumen de los polígonos, hay mucha disparidad entre ellos (Albornoz, 2015).
23
Ejemplo recuperado de Estimación de Recursos Mineros por Marco Antonio Alfaro
∑𝑛𝑖=1 𝑍𝑖 × 𝑆𝑖
𝑍𝑆 =
∑𝑛𝑖=1 𝑆𝑖
1
𝑍𝑆 = 𝑆 ∑𝑛𝑖=1 𝑍𝑖 × 𝑆𝑖 (𝑆 = S1 + 𝑆2 + ⋯ + 𝑆𝑁 )
Se obtiene, que:
𝑍𝑆 = 1.36
Comentarios:
misma ley a todos los bloques que están dentro de un mismo polígono.
24
5.2.2. Método del inverso de la distancia
Este se basa en la hipótesis de que el peso de un dato aislado responde a una función
simple pero efectiva para estimar valores en lugares donde no se tienen datos. Este
naturales.
a un bloque o a un punto mediante la combinación lineal de los valores de los puntos más
decrece cuando el valor se aleja de dicho punto, el atributo estimado cambiará como una
función inversa de la distancia. En otras palabras, se dará mayor peso a los valores más
próximos y menor peso a los más alejados del punto de estimación (Carrascal, 2008).
Por otro lado, según Ospina & Gómez (2016), el método de la inversa de la
distancia puede ser afectado por la falta de variabilidad espacial en los datos, y puede
baja o donde la variabilidad espacial es alta. Por lo tanto, se recomienda que se utilice
este método con precaución y que se complemente con otras técnicas de interpolación
25
Las muestras Zi que entran en la estimación, deben estar dentro de un ámbito de
influencia con centro en el punto donde se asignará el valor estimado y con un radio R
de reserva, s.f).
1
∑𝑛𝑖=1 𝑍𝑖 ( )2
𝑑𝑖
𝑍𝑚 =
1
∑𝑛𝑖=1( )2
𝑑𝑖
Donde:
26
Si observamos la fórmula, a medida que aumenta el exponente se da más peso a
b)Desventajas: Los pesos de cada muestra son determinados por un criterio geométrico.
Alfaro Sironvalle (2007): Hay que calcular las distancias entre los datos y el centro del
bloque
1
∑𝑛𝑖=1 𝑍𝑖 ( )2
𝑑𝑖
𝑍𝑚 = (𝛼 > 0)
1
∑𝑛𝑖=1( )2
𝑑𝑖
Se obtiene que
Comentarios:
27
• Simple, fácil de calcular.
Según Velazco & Reyes (2018) por lo general, para evitar el problema de las
veces cuadrante) sólo se considera la muestra más cercana al centroide, tal como muestra
la figura siguiente:
28
5.3. Crítica general de los métodos tradicionales de estimación de recursos
• Son empíricos
• Demasiado geométricos.
a) Por la continuidad de las leyes: Existen casos desfavorables en los cuales las leyes son
erráticas y otros más favorables en los cuales las leyes son regulares.
Figura 10 Arriba, mina de hierro La Japonesa. Abajo, mina de hierro Boquerón Chañar.
Fuente: “Estimación de Recursos Mineros por Marco Antonio Alfaro Sironvalle (2007)”
29
En el caso de la mina de hierro “La Japonesa”, se observa una variación gradual de las
leyes al variar la distancia Mientras que, en la mina de hierro “Boquerón Chañar”, se observa una
Figura 11 Anisotropías de las leyes de cobre en una planta del depósito RT.
Fuente: “Estimación de Recursos Mineros por Marco Antonio Alfaro Sironvalle (2007)”
Ejemplo: En el caso de la figura I.8, las leyes Z1 = 1.25 y Z2 = 1.75 son simétricas con
30
Figura 12 Bloque a estimar e isoleyes anisotrópicas en una planta
Fuente: “Estimación de Recursos Mineros por Marco Antonio Alfaro Sironvalle (2007)”
𝑍1 + 𝑍2
𝑍𝑆 =
2
1.25 + 1.75
𝑍𝑆 =
2
𝑍𝑆 = 1.5
31
• Los métodos tradicionales de estimación no proporcionan el error asociado a la
• Sea 𝑍𝑆 la ley verdadera desconocida de S. Sería interesante poder escribir una ecuación
del tipo:
𝑍𝑆 = 𝑍𝑠 ± 𝑒𝑟𝑟𝑜𝑟
polígonos (2018) menciona que la magnitud del error nos cuantificaría la calidad de la
como sesgo de condicional, que se manifiesta en la práctica como una sobreestimación de las
puntuaciones altas y una subestimación de las puntuaciones bajas. Describiremos este fenómeno
con un ejemplo extremo de un caso real: un depósito de "todo o nada": ya sea un mineral con una
ley de 1.0 o un desecho con una ley de 0.0. Los minerales se muestran en gris en la imagen a
32
Fuente: “Estimación de Recursos Mineros por Marco Antonio Alfaro Sironvalle (2007)”
Debido a que la sonda cae en el centro del bloque, no se puede utilizar la inversa de la
distancia. El método del agujero central se puede usar para el método del polígono para evaluar
la regla del bloque 15. En este caso, el porcentaje de mineralización real para el bloque puede
calcularse a partir de la grilla de 25m x 25m (correspondiente al límite superior de cada bloque)
Se observamos que la media de las notas verdaderas es 0,55 y la media de las notas
calculadas es 24/42 = 0,57. Se dice que no hay prejuicio global. Sin embargo, existe un sesgo
condicional: para puntajes altos, el puntaje esperado siempre es más alto que el puntaje real, y
para puntajes bajos, el puntaje esperado siempre es más bajo que el puntaje real. Cuando se
utilizan leyes de corte en las estimaciones, las leyes de la mina siempre son más altas que las
estimada del bloque (modelo a largo plazo) con el promedio de los pozos de tronadura de los
bloques (datos a corto plazo). En algunas minas, este proceso de comparación se llama prueba de
grado (Alfaro,2007).
33
Fuente: “Estimación de Recursos Mineros por Marco Antonio Alfaro Sironvalle (2007)”
La figura 16 muestra la información de largo plazo y de corto plazo en la mina Los Bronces.
Kriging es una técnica de inferencia espacial que nos permite utilizar la información
proporcionada por las muestras para estimar valores de variables en ubicaciones no muestreadas.
El método está configurado para proporcionar el mejor estimador lineal insesgado con la
estiman la variable a evaluar como la realización de una función aleatoria caracterizada por su
34
Dado que el muestreo del yacimiento es parcial y solo indica lo que sucedió en los puntos
de datos, es necesario estimar los valores de ley en los puntos no muestreados. La crítica implica
problema del kriging se reduce al cálculo de los valores de peso, de modo que es posible obtener
una estimación insesgada con la mejor precisión, es decir, con un error promedio. Varianza cero
variograma 𝛾(ℎ), el cual presenta una meseta 𝜎 2. El estimador en un sitio 𝑥 del espacio
se escribe como:
𝑛
∗ (𝑥)
𝑍 = 𝑎 + ∑ 𝜆𝑖 𝑍(𝑥𝑖 )
𝑖=1
𝑎 = {1 − ∑ 𝜆𝑖 }𝑚
𝑖=1
35
𝑛
∑ 𝜆𝑖 𝐶(𝑥𝑖 − 𝑥𝑗 ) = 𝐶(𝑥 − 𝑥𝑖 )𝑖 = 1, . . , 𝑛
𝑖=1
Kriging Simple.
datos. Se puede encontrar que cuanto más lejos está la ubicación de los datos, menor es el
peso y mayor el peso promedio. Por lo tanto, se puede ver que con kriging simple, la
media compensa la información que falta en los datos (Alfonzo & Ortiz, 2002)
La varianza del error o “varianza de kriging” puede calcularse sin conocer los
medias de las variables. Tratar la media como una incógnita permite al estimador
generalizar a los casos en los que esta media no es espacialmente constante: la media
puede variar entre regiones siempre que sea aproximadamente constante en cada
∑ 𝜆𝑗 𝐶(𝑥𝑖 − 𝑥𝑗 ) + 𝜇 = 𝐶(𝑥 − 𝑥𝑖 ) 𝑖 = 1, . . , 𝑛
𝑗=1
36
𝑛
∑ 𝜆𝑖 = 1
𝑖=1
covarianza 𝐶 por el opuesto del variograma (−𝛾), sistema que queda válido aun cuando el
La varianza del error o “varianza de kriging” puede calcularse sin conocer los
suma de dos componentes: una deriva determinista que varía suavemente 𝑚(𝑥) y una
componente residual estocástica que varía erráticamente 𝑅(𝑥). Así se tiene que:
37
Figura 17: Deriva determinística y componente residual.
Fuente: “Uso de kriging universal en la simulación condicional de leyes por Ortiz, Yarmuch y Cáceres
(2015)”
𝑍(𝑥) = 𝑚(𝑥) + 𝑅(𝑥)
𝑚(𝑥) = ∑ 𝑎𝑙 𝑓𝑙 (𝑥)
𝑙=0
Donde, por convención 𝑓0 (𝑥) = 1, para todo 𝑥, mientras que las otras
reduce a un solo término 𝐸[𝑍(𝑥)] = 𝑎0, constante pero desconocido (Garcia, 2015).
una función real de 𝑥 y toma valores diferentes como 𝑥 varía (Garcia, 2015).
38
Según Garcia (2015) el componente estocástico residual es estacionario con
de Kriging Universal:
𝑛 𝐿
∑ 𝜆𝑗 𝐶𝑅 (𝑥𝑖 − 𝑥𝑗 ) + ∑ 𝜇𝑙 𝑓𝑙 (𝑥𝑖 ) = 𝐶𝑅 (𝑥 − 𝑥𝑖 ) 𝑖 = 1, … , 𝑛
𝑗=1 𝑙=0
∑ 𝜆𝑖 𝑓𝑙 (𝑥) = 𝑓𝑙 (𝑥) 𝑙 = 1, … , 𝐿
𝑖=1
39
Figura 18: Modelos de deriva alternativos para una tendencia creciente con la coordenada x.
Fuente: “Uso de kriging universal en la simulación condicional de leyes por Ortiz, Yarmuch y Cáceres
(2015)”
cantidades de datos. Por lo tanto, a menudo es conveniente usar kriging normal en lugar
crítico. En tales situaciones 𝐶𝑅 (𝑥 − 𝑥𝑖) = 0, para todo 𝑖 = 1, … , 𝑛. Así lejos de los datos
se tiene que:
𝐿
estimación más allá del rango de datos, donde no existen precisamente datos para validar
esa elección. La extrapolación es una tarea “peligrosa”. La siguiente figura muestra como
40
estimaciones similares. En situaciones de extrapolación el kriging universal es crítico
(Cáceres, 2015).
Figura 19 Interpolación v/s Extrapolación. Kriging Ordinario (a) y Kriging Universal (b).
Fuente: “Uso de kriging universal en la simulación condicional de leyes por Ortiz, Yarmuch y Cáceres
(2015)”
5.4.5. Propiedades del Kriging
Las propiedades principales del kriging Ortiz, J. M., & García, A. (2014).
• Interpolación exacta: La estimación en un sitio con dato es igual al valor del dato y
41
• Suavizamiento: Los valores calculados por kriging muestran menor dispersión que
los valores reales. Este enfoque da como resultado la subestimación de valores altos y
los valores alejados de la media son importantes, como el análisis de valores límite.
los datos. Un efecto común que ocurre en los sedimentos es que se observa una mayor
variación en áreas de alta calidad. Por lo tanto, la varianza de kriging no captura este
estimar funciones de umbral, como el tonelaje, para identificar variedades límite. Para
simulación.
42
Figura 20 Tabla datos del ejemplo.
Fuente: Fuente: “Modelling in Science Education and Learning. Volume 7, 2014”
coordenadas (0.3, 0.4), (1, 0.8) y (1.5, 1.5). Se supone que ha habido un estudio previo
pepita 0.0001, meseta 0.005, alcances 0.6, valores de vecindad de búsqueda 2 y que es un
virtual Krig usando el Krigeado ordinario y modelo esférico. El usuario fácilmente puede
volver a ejecutar el programa con otros datos iniciales y/u otro método de Krigeado y
observar cual es la influencia que tienen estos cambios en la aproximación obtenida. Por
43
Figura 21 Resultados del ejemplo para Krigeado ordinario y modelo esférico.
Fuente: “González, J., Moratalla, A., & Herrera, M. (2016). Aplicación del método de kriging ordinario
para la estimación del recurso geotérmico en el municipio de Cieza (Murcia). RIGA: Revista de
Ingeniería Geomática y del Agua, 7(1), 71-81”
44
Teniendo en cuenta todo lo expuesto anteriormente en el presente informe,
método estadístico que se utiliza para la interpolación espacial de datos. Esta técnica se
basa en la idea de que los valores medidos en puntos cercanos en el espacio tienen una
específica a partir de los valores medidos en ubicaciones cercanas. Para hacer esto, el
krigeage utiliza una combinación ponderada de los valores medidos en puntos cercanos
para estimar el valor desconocido en la ubicación objetivo (Martinez & Alboreda, 2017).
El krigeage se basa en la suposición de que los datos son aleatorios y tienen una
estructura espacial autocorrelacionada, es decir, que la relación entre los datos se puede
describir por una función de covarianza que depende de la distancia entre los puntos. Esta
estructura se utiliza para crear un modelo matemático que puede ser utilizado para
Según Ortiz & García (2014) existen diferentes tipos de krigeage, que se diferencian por
tipo más común y se utiliza cuando los datos tienen una distribución normal y no hay tendencia
espacial. El krigeage simple se utiliza cuando los datos no tienen una distribución normal, y el
45
método de interpolación espacial utilizado para estimar valores desconocidos de una variable en
cada punto de estimación. Esta varianza indica cuánto se espera que la estimación varíe de su
valor real en función de la distribución espacial de la variable y la distancia entre los puntos de
será la incertidumbre en la estimación en ese punto. La varianza de krigeage también puede ser
útil para identificar áreas donde se necesitan más datos de muestreo para reducir la incertidumbre
de los datos de muestreo y la elección de los parámetros del modelo de krigeage también pueden
Teniendo en cuenta que en la aplicación del método Kriging supone que contamos con N
región determinda “ZV”. Además, dicha cantidad esta denominada mediante la siguiente
expresión:
1
𝑍𝑉 = ∫ 𝑍(𝑥)𝑑𝑥
𝑉 𝑉
46
𝑍𝑉∗ = ∑ 𝜆𝑖 𝑍(𝑥𝑖 )
El símbolo “*” se usa para denotar una estimación. El problema consta en obtener los
pesos de la mejor forma. Por ello, se utiliza el modelo geoestadístico, considerando la variable
𝐸[𝑍𝑉∗ − 𝑍𝑉 ] = 0
Por otro lado, una segunda condición establece que la varianza del estimador debe ser
En donde Zv* = Σλi Z(xi) es una combinación lineal de los valores observados z(xi) y las
Para que no exista sesgo, el valor esperado del error debe ser 0, así que en la expresión de
la media del error de estimación o m = 0 o los pesos λi deben sumar 1. En el primer caso la media
es conocida, hecho que conduce al método Kriging simple (KS). Si m es desconocido y las λi
suman 1, entonces la solución se obtiene por el método Kriging ordinario (KO) (Porras, s.f.).
47
Como se mencionó anteriormente, se debe cumplir la condición de que la varianza del
error [Zv* - Zv] sea mínima. Esta varianza mínima se conoce como varianza de Kriging y se
expresa como
introduciendo los multiplicadores de Lagrange (μ). Para conocer a detalle los pasos para obtener
la varianza de Kriging.
∑ 𝜆𝑗 = 1
𝑗=1
estimador. γ(xi, xj) es el valor de la función del modelo teórico del variograma obtenido en el
análisis estructural, mismo que depende de la distancia de separación entre xi y xj. γ (xi, V) es el
valor de la función del variograma evaluado para la distancia de separación entre la observación
48
En donde la primera matriz la podemos denominar A, misma que se multiplica con un
vector de pesos λ, dando como resultado una matriz a la que llamamos B, es decir, tenemos un
sistema de la forma A λ = B.
𝐴−1 𝐴 𝜆 = 𝐴−1 𝐵
Es decir
𝜆 = 𝐴−1 𝐵
𝐴𝐴−1 = 𝐼
(Porras, s.f).
Para observar con más detalle otro ejemplo revisar el (Anexo B).
Según Jurnel & Huijbregts (1978), el método de Kriging puntual es una técnica de
interpolación espacial que permite estimar el valor de una variable en un punto no muestreado a
partir de una serie de observaciones conocidas en puntos cercanos. Este método se basa en la
hipótesis de estacionariedad de segundo orden, que establece que la covarianza entre dos puntos
depende únicamente de la distancia entre ellos. La fórmula del kriging puntual se puede expresar
de la siguiente manera:
49
Donde:
el punto de interés u.
∑(i=1) ^n λi = 1
variograma.
y otras áreas donde se requiere una evaluación precisa de la distribución espacial de una
relación que existe entre los valores de una variable en diferentes puntos del espacio.
50
La autocorrelación espacial se puede medir utilizando la semivarianza, que es la
variación entre dos puntos a medida que aumenta la distancia entre ellos. La semivarianza
Donde:
función matemática que describe la relación entre los valores de una variable en
diferentes puntos del espacio. El modelo de covarianza se utiliza para estimar los valores
se define como:
C(h) = exp(-h/α)
Donde:
datos.
51
final se obtiene a partir de la suma ponderada de los valores conocidos de la variable
(Matheron, 1971).
covarianza como el modelo gaussiano y el modelo lineal. Cada modelo tiene sus propias
a partir de los datos disponibles. Luego, se utiliza la información de los datos para
pasos que se deben seguir cuidadosamente para obtener una estimación precisa y
puntual:
• Selección de los datos: Lo primero que se debe hacer es seleccionar los datos de
52
una cantidad suficiente de datos para obtener una buena estimación (Fuentes.,
2014).
(Matheron, 1971).
debe seleccionar el modelo de covarianza que mejor se ajuste a los datos. Esto se
53
• Ponderación de los datos: Una vez obtenido el modelo de covarianza y sus
covarianza. Los datos más cercanos al punto de estimación tienen un peso mayor
54
• Agricultura: El Krigeage puntual se utiliza en la agricultura para la estimación de
las propiedades del suelo, como la textura, la salinidad, la acidez, entre otras.
propiedades del suelo, lo que permite una mejor gestión y uso del suelo agrícola"
Olmo, 2007)
entre otras. Según Oliver & Webster (2014)."El Krigeage puntual es una
55
permite la estimación precisa de la distribución de las propiedades geológicas
clave”
utilizada en la geoestadística. Sin embargo, como cualquier método, también tiene sus
precisión del Krigeage puntual. Por ejemplo, el Krigeage puntual ordinario puede
Webster, 2014).
56
• Interpolación no lineal: Se han propuesto también enfoques no lineales para la
interpolación espacial, que superan las limitaciones del Krigeage puntual. Los
las que la relación entre los valores espaciales y la distancia no es lineal (Oliver &
Webster, 2014).
Sin embargo, el Krigeage puntual también tiene sus limitaciones, como la dependencia
Según Chica-Olmo et al. (2007), en general, el Krigeage puntual sigue siendo una
57
importante tener en cuenta sus limitaciones y explorar nuevas técnicas para mejorar su precisión
minerales para estimar el valor de una variable en un área determinada a partir de datos discretos
tiene una estructura de conexión espacial y se divide el área de interés en bloques regulares para
estimar el valor de la variable para cada bloque en función de los valores de la variable en los
celdas para agrupar los datos de muestreo en lugar de valores puntuales individuales. La
idea detrás del Krigeage de bloques es que los valores desconocidos en una ubicación
determinada pueden ser estimados a partir de los valores observados en bloques cercanos
siguiente manera:
Donde:
• λi son los pesos asignados a las muestras ubicadas en los alrededores del bloque
de interés u.
58
• n es el número de muestras que se utilizan para estimar la ley o contenido del
bloque de interés u.
∑(i=1) ^n λi = 1
minerales y en la agricultura para evaluar la calidad del suelo. Aunque el método tiene la
ventaja de permitir la estimación del valor de una variable en un área grande y continúa a
una estructura de conexión espacial clara y la necesidad de que la variable Siga una
distribución normal.
puntual, pero utiliza bloques o celdas para agrupar los datos de muestreo en lugar de
valores puntuales individuales. Los conceptos básicos del Krigeage de bloques son los
siguientes:
59
• Variograma: El variograma es una medida de la variabilidad espacial de los
datos de muestreo. Se utiliza para modelar la relación espacial entre los datos de
se calcula como la media de las diferencias cuadradas entre los valores en dos
cómo la correlación entre los valores de dos ubicaciones varía con la distancia
entre ellas. Esta función se utiliza para modelar la relación espacial entre los
• Interpolación: Una vez que se han asignado los pesos a los bloques cercanos, se
valores en las ubicaciones restantes y compararlos con los valores reales (Diggle
los datos de muestreo están agrupados en bloques o celdas en lugar de valores puntuales
60
individuales. Permite estimar valores desconocidos en ubicaciones no muestreadas a
partir de los valores observados en bloques cercanos y su relación espacial. Sin embargo,
método más apropiado para la situación específica (Baafi & Mensah, 2016).
bloques sigue un proceso similar al del Krigeage puntual, pero en lugar de trabajar con
valores puntuales, se trabaja con bloques o celdas que contienen múltiples valores de
Krigeage de bloques:
61
grupos de bloques, dependiendo de la configuración de los datos de muestreo
(Journel, 1998).
variograma describe cómo la correlación espacial entre los bloques varía con la
modelo de variograma, se utilizan los datos de muestreo para estimar los valores
más compleja que la del Krigeage puntual debido a la necesidad de dividir el área de
estudio en bloques y calcular el variograma para cada bloque o grupo de bloques. Sin
embargo, los resultados obtenidos pueden ser más precisos y útiles para situaciones en las
que los datos de muestreo están agrupados en bloques o celdas en lugar de valores
62
5.7.3. Aplicaciones del Krigeage de bloques
Asimismo, otros estudios, como el de Bakalian et al. (2019), han utilizado el krigeage de
bloques en la estimación de la calidad del agua en lagos y ríos. Por otro lado, el krigeage
urbanas, como se describe en el estudio de Oliver & Webster (2014). Además, según la
subterráneos.
2014).
63
• En la evaluación de la calidad del aire en áreas urbanas, el krigeage de bloques se
existen ciertas limitaciones que es importante considerar. En primer lugar, se asume que
puede no ser cierto en todos los casos y puede resultar en estimaciones incorrectas.
Además, esta técnica es sensible a la elección del modelo de semivariograma, por lo que
se requiere de un análisis previo para encontrar el modelo que mejor se ajuste a los datos.
de la varianza de los errores de predicción para cada bloque requiere un cálculo matricial,
el cual puede resultar muy pesado para grandes volúmenes de datos. En estos casos, es
para hacer más eficiente el proceso de cálculo (Diggle & Ribeiro, 2007).
64
En cuanto a las mejoras, se han desarrollado diversas técnicas para abordar estas
la relación no lineal entre las variables y pueden manejar grandes conjuntos de datos con
entrada y mejorar la eficiencia computacional del método. Por ejemplo, Baffi & Mensah
homogénea. Por ejemplo, Baffi & Mensah (2016) propusieron un método de krigeage de
bloques no estacionario que utiliza funciones de base radial para modelar la variograma
estocásticas o bootstrap, lo cual puede resultar más eficiente que los métodos matriciales
65
estacionarias entre las variables, y pueden ser especialmente útiles en situaciones en las
partición de los datos en bloques y la estimación de los parámetros de covarianza entre bloques,
es posible realizar una interpolación precisa de los valores desconocidos (Fuentes & Rodriguez,
2014).
Sin embargo, el Krigeage de bloques también tiene sus limitaciones, como la suposición
de homogeneidad dentro de cada bloque y la dificultad para manejar datos con alta variabilidad
minería, la agricultura y la contaminación del agua. Sin embargo, se debe tener en cuenta sus
Según Hengl & Heuvelink (2013), el Krigeage de Indicadores es una técnica que permite
66
determinada, a partir de la información disponible en las muestras tomadas en diferentes lugares
del área. La técnica se basa en la relación espacial entre los indicadores, que son variables
binarias que indican si la característica de interés está presente o no en cada uno de los puntos de
muestreo.
que permite evaluar la presencia o ausencia de recursos minerales en áreas que no han sido
muestreadas. Además, esta técnica también se ha utilizado en otras áreas, como la hidrogeología,
los puntos cercanos. Esta técnica se basa en la teoría de probabilidad y estadística, y utiliza una
función de correlación espacial para modelar la dependencia espacial entre los indicadores.
estimar la presencia o ausencia de un recurso mineral en una determinada área. Por ejemplo, si se
han tomado muestras de suelo en diferentes puntos de una zona minera, el Krigeage de
mineral en un punto específico que no ha sido muestreado. Esta técnica es muy útil en la
exploración de depósitos minerales, ya que permite reducir los costos de exploración y aumentar
Donde:
67
• P(u) es la probabilidad de que el bloque de interés u contenga el mineral de
interés.
ubicada en el punto i.
• λi son los pesos asignados a las muestras ubicadas en los alrededores del bloque
de interés u.
∑(i=1) ^n λi = 1
bloque de interés y γ(ui-u) es la covarianza entre la presencia o ausencia del mineral de interés en
interés u.
calidad del suelo. En la hidrogeología, por ejemplo, se puede utilizar el Krigeage de Indicadores
área determinada. En la evaluación de la calidad del suelo, se puede utilizar para estimar la
68
probabilidad de que un suelo tenga una determinada propiedad, como el contenido de nutrientes
utiliza para determinar el valor esperado de una variable en un punto dado en función de
los valores conocidos de otros indicadores en las proximidades de ese punto. Se basa en
1998).
variable de interés se encuentre por encima o por debajo de un cierto valor umbral en una
método asume que la variable de interés sigue una distribución normal y que la
correlación espacial se puede modelar mediante una función de covarianza (Webster &
Oliver, 2014).
estimar la varianza espacial de los indicadores, lo que a su vez permite estimar la función
1998).
69
Según Hengl & Heuvelink (2013), la principal ventaja del krigeage de indicadores
(Journel, 1998).
70
• Pesos de Krigeage: los pesos de Krigeage se utilizan para combinar las
1998).
5.8.2. Implementación
indicadores sigue los mismos principios del krigeage puntual, pero se realiza en un
contexto en el que la variable de interés no es continua, sino que toma valores discretos.
definición de una variable indicadora, que es una variable binaria que toma el valor 1 si la
variable de interés está por encima de un cierto umbral y 0 si está por debajo. Se define
71
un conjunto de indicadores para representar diferentes niveles de la variable de interés, y
la variable tome uno de los valores discretos definidos por los indicadores en un punto no
muestreado, dado el valor de los indicadores en los puntos vecinos (Chica-olmo, 2007).
modelo de regresión logística a los indicadores. Este modelo se utiliza para calcular las
probabilidades de que la variable tome cada uno de los valores discretos definidos por los
vecinos. Estas probabilidades se utilizan para calcular una combinación lineal ponderada
de los valores de los indicadores en los puntos vecinos, lo que da como resultado una
72
puede ser subjetivo y limitar su capacidad de generalización a diferentes contextos.
experto del problema en cuestión. Por otro lado, se han propuesto varias mejoras y
2013).
73
de entrenamiento y evaluar la precisión del modelo con los datos de prueba
(Perez-Gutierrez, 2014).
2014).
5.8.3. Aplicaciones
calidad del agua subterránea. Según Hengl & Heuvelink (2013), el método se utiliza para
74
utiliza indicadores para modelar la presencia o ausencia de contaminantes en diferentes
diferentes ubicaciones dentro del área de estudio. Los indicadores se utilizan para
(Hengl, 2013).
75
es fuerte, es posible que el krigeage de indicadores no sea la mejor técnica para utilizar.
espacial de la humedad del suelo, lo que puede ayudar en la gestión de recursos hídricos.
espacial de la fertilidad del suelo, lo que puede ayudar en la toma de decisiones sobre la
Según Hengl & Heuvelink (2013), una de las principales limitaciones del
76
incertidumbre en la estimación y predicción de la variable de interés. Además, si la
relación entre las variables indicadoras y la variable de interés no es fuerte, es posible que
espacial de la humedad del suelo, lo que puede ayudar en la gestión de recursos hídricos.
espacial de la fertilidad del suelo, lo que puede ayudar en la toma de decisiones sobre la
que permite estimar valores desconocidos en un área basándose en la correlación entre las
variables medidas y las variables auxiliares. Aunque puede ser sensible a la presencia de
77
demostrado ser efectivo en una variedad de aplicaciones, incluyendo la evaluación de la
Además, existen varias mejoras y extensiones del krigeage de indicadores que abordan
campos.
planificación que permita estimar los recursos operacionales como personas, equipos,
instalaciones y otros que permitan su extracción, de manera de generar el mayor valor posible.
son muchas y muy variadas. A modo general se distinguen dos grupos de programas: los
minería como objetivo básico, sin embargo, suelen tener módulos o aplicaciones
referentes a las actividades mineras. Sus costes son muy variados desde gratis (programas
explotaciones, planeamiento, etc. Las soluciones que ofrecen estos softwares son
78
integrales y sus costos varían según el programa, pero estos siempre son medidos en
minero estratégico, ya sea para modelar u optimizar los recursos, desplegando datos e
imágenes en tres dimensiones (3D) de la realidad del depósito. Los principales softwares
mineros utilizados son: MineSight, Gemcom Surpac, y Maptek Vulcan. (Giovani Franco
S., 2011)
5.9.1.1. Minesight
superficie, etc. Este software entrega a los usuarios herramientas completas para la
79
5.9.1.2. Gemcom Surpac
disponibles para cada escenario específico, con diferentes módulos para todas las
etapas del ciclo de vida de la mina, de esta forma constituye una solución total
80
Figura 25 Diferentes modelos geológicos junto a diseños de explotación desarrollados
mediante el software Vulcan. (Maptek, Vulcan, 2014)
Fuente: Gemcom Surpac, 2011
5.9.2. Modelo del Yacimiento
puede contener, por ejemplo, 7500 toneladas. Considerando que un gran camión
81
minero puede transportar en torno a 300 toneladas ¡Eso significa que para mover
• Ley del mineral. Este atributo nos indica la concentración de el o los materiales
de interés dentro del bloque. Por ejemplo, en el caso del cobre, la ley se representa
por un porcentaje. Así, si un bloque tiene una ley del 1% y pesa 7500 toneladas
Figura 26 modelo de bloques con varios atributos, tales como ley de oro (AU), plata
(AG), o tonelaje (TONN), entre otros
Fuente: Gemcom Surpac, 2011
Una vez ya construido el modelo de bloque y en cada uno de estos alojada la ley
equivalente, vamos a pasar a conocer la ruta que tiene cada uno de estos bloques en su
concentración por debajo de la ley de corte pasa al botadero y en caso contrario si sus
sea de estéril o sea de mineral, un costo mina, al pasar por la planta se aplica
82
una recuperación metalúrgica donde el bloque disminuye su masa y así cuando el bloque
las dos recuperaciones, de tener un material fino el cual vamos a comercializar, el bloque
en su proceso tiene dos recuperación, el costo asociado a la planta tanto el costo asociado
como la fundición y el costo asociado a la mina van a jugar un rol importante para
valor que tenga el producto en el comodity en este caso, lo importante en este ciclo
bloque de mineral en sus tres etapas mina, planta y fundición, interesa valorizar el bloque
Cm: Costo mineral (US$/Ton mx) Ce: Costo Estéril (US$/Ton estéril)
83
5.9.4. INGRESOS GENERADOS POR BLOQUE
𝑰𝑩: 𝑻𝒎 × 𝑳𝒎 × 𝑹𝒕 × 𝑷
Donde:
Con esta fórmula calculamos el ingreso de un bloque, por lo que el precio del
considerar los resultados del variograma ajustado al modelo teórico, de modo que
explotación.
menor. La altura de los bloques debe ser igual o mayor a la distancia entre cada
hilera de sondeos.
84
El tamaño de los bloques debe ser inversamente proporcional a la
utilizadas dentro del sistema de explotación, entre estos se tiene a la altura, ancho
etc. Para la estimación de leyes en cada bloque se necesita agregar las variables
mostradas en la Tabla 1.
85
5.10. Presentación de estudios y reservas en diferentes tipos de yacimientos
cantidad, calidad y posibilidad de explotación comercial del mineral que lo compone, ya sea
encarar sin un cálculo seguro de las reservas. La estimación se hace durante toda la vida útil de
una mina a través de un proceso de modelación del yacimiento que se ajuste lo mejor posible a la
realidad en estudio. El método de modelación ideal debe ser simple, rápido, confiable, acorde al
actualidad, los métodos modernos que aplican programas de computación ahorran tiempo y
estimación.
metales preciosos (oro, plata y platino) se calculan en kilogramos u onzas, los diamantes en
quilates (Quilate de gemología: Es una unidad de masa usada, fundamentalmente, para pesar
gemas y perlas, actualmente representa un peso de 200 miligramos (0,2 gramos) en el Sistema
Métrico Decimal.
operaciones de la mina los estimados previamente calculados son modificados por los resultados
86
La cantidad de reservas de un yacimiento, como uno de los factores principales que
determinan su viabilidad económica, posee una gran influencia en la vida útil del yacimiento, su
b) Reservas Indicadas (Probables): cantidad, ley y/o calidad está calculada de una
información similar a la usada para las reservas medidas, pero, los sitios de
asumida (proyectada) a partir de las reservas medida e indicada, para lo cual existe
economía. Es importante notar que los recursos ocurren en la naturaleza, en cambio las
87
Figura 28 Clasificación de recursos y reservas
Fuente: Fuente: (Tuner-Saad, 2011)
por Mc Kelvey (1972). Esta representación gráfica ahora es ampliamente conocida como
el diagrama Mc Kelvey.
88
Figura 29 Clasificación de reservas minerales y recursos
Fuente: (MC Kelvey, 1972)
Para realizar un buen cálculo de reservas debemos de considerar lo siguiente:
Para poder estimar reservas debemos generar un Modelo del Yacimiento que lo
las mineralizaciones y de los contenidos de cada una de ellas, y una segunda en la que se
89
En la primera etapa se crea el modelo geológico del yacimiento, y en la segunda
el modelo económico del mismo. Ambos modelos son numéricos. Este proceso se refleja
en el esquema siguiente:
Las muestras a partir de las cuales se efectúa la modelación y estiman las reservas
pórfido de cobre, de una malla densa de sondeos se recuperaron una 200 tonelada de
millones de toneladas de estéril, esto da la pauta de la tremenda diferencia que hay entre
la modelación.
90
→ Entender el modelo de yacimiento que estamos diseñando y hacerlo lo
más flexible posible para adecuar las modificaciones que sean necesarias
implementar en el camino.
yacimiento. Con negro intenso negro intenso se marca la intersección entre los sondeos y
la masa mineral, en las dos figuras esa intersección es la misma. Arriba tenemos la
una sobreestimación del yacimiento. Esto se puede evitar con un buen control de la
geología en superficie puesto que las dos situaciones corresponden a marcos geológicos
diferentes.
91
→ Contacto geológico: son los límites litológicos y/o estructurales de una
unidad.
→ Contacto económico: límites del material a partir del cual se puede obtener
→ Mineralogía de la mena
92
→ Competencia de la roca – RQD –
bloques). De este modo el cuerpo auxiliar es reemplazado por una o varias figuras
Estadístico Minero, podemos mencionar, por ejemplo, que la Minera Cerro Verde se ha
concentradoras C1 y C2.
93
recuperación. La estimación de la cantidad y ley de las reservas de
94
5.11.2. Minera cerro corona (2019)
estimados bajo la Ley de Corte Económica de Retorno Neto de Fundición (NSR), con
dicha ley incluye otros materiales estimados, que se requiera explotar para extraer todo el
recurso explotable.
Las declaraciones sobre reservas minerales incluyen solo los recursos minerales
plan de vida de la mina. De igual manera, los recursos y reservas minerales son evaluados
durante el año con auditorías internas por parte del equipo técnico de la organización.
para identificar los recursos y reservas que permitan asegurar las operaciones de Cerro
Corona a largo plazo y, con ello, monitorear las proyecciones de crecimiento y niveles de
producción estimados.
95
Figura 34 Cuadro detalle
Fuente: Fuente: (Tuner-Saad, 2011)
5.11.3. Mineria Chinalco (2020)
170 000 tpd, después de obtener la certificación ambiental y la construcción del Proyecto.
Para ello se modificará el plan de minado del tajo Toromocho y la vida útil de la mina a
desarrollo del tajo de acuerdo al plan de minado aprobado, basándose en ampliaciones del
geometrías de trabajo y caminos de acceso con las características necesarias para cada
fase; el tajo Toromocho está ubicado referencialmente en las coordenadas UTM 8 716
931,81 N; 375 818,94 E. Las dimensiones estimadas del tajo final son: este-oeste 2,30
96
km, norte-sur 2,40 km y el nivel más bajo de explotación se encontrará a una elevación
97
Figura 37 Cuadro detalle
Fuente: Fuente: (Tuner-Saad, 2011)
98
6. RESULTADOS DE LA INVESTIGACIÓN
• Se identificaron las características de cada método de estimación, así como también las
• A diferencia del kriging puntual, en el kriging por bloques, el área de muestreo puede ser
método nos da mejor estimador lineal sesgado con una varianza mínima.
• El valor de bloques nos permite hacer una planificación de la minería a través de las
características del terreno, proporcionándonos así una modelación discreta del yacimiento
99
7. EJEMPLO APLICATVO
Magíster en Regulación, Gestión y Economía Minera, elaborado por Emerson Klim Mariscal
2022), cada rutina (por ejemplo,gamv.exe) funciona una vez que se complete el archivo de
parámetros con formato ASCII (por ejemplo, gamv.par). Luego, se puede ejecutar la
con el nombre gamv.par (en caso de que este último no exista), o se usaráel archivo por
Si el archivo está en Excel, solo tienen que grabarlo con extensión .DAT,ejemplo;
→ Cokrige
→ Creategrid
100
→ Declus
→ Distribution
→ Gamv
→ Hscatt
→ Locmap
→ Pixelplt
→ Scatplt
→ Vargfit
Para poder realizar diseños mineros, se debe importar la información del Excel en
donde están las coordenadas, leyes y tonelajes, etc. Para que el programa comercial
escala están dentro del rango, entonces los consultores para esa escala, institutos,
factores modificadores (Código de Jorc), tales como los permisos, licencias sociales y
yacimiento minero.
101
La solución de conflictos sociales y ambientales es trabajo liderado porel estado
encuentran lejos de los sondajes, su clasificaciónsolo puede ser de inferidos. También hay
que considerar que las mallas no siempre son regulares como el presente estudio. El
necesariamente deberían ser del mismo tamaño en todas las zonas del yacimiento y en
algunos casos se utilizan por igual. Por ejemplo, los recursos en zonas complejas pueden
clasificarse como medidos o indicados utilizando el mismo criterio o tamaño demalla que
una zona de menor complejidad. Esto no es adecuado ya que una zona compleja puede
102
BHID YCOLLAR XCOLLAR ZCOLLAR
LVD99-01 17,473.12 21,959.74 3,689.56
LVD99-02 17,474.38 21,994.75 3,678.75
LVD99-06 17,350.21 22,014.57 3,669.27
LVD99-07A 17,524.16 22,177.07 3,627.52
LVD99-08 17,723.51 22,081.13 3,588.17
LVD99-09 17,599.28 22,119.32 3,605.22
LVD99-12 17,524.94 22,129.03 3,618.79
LVD99-14 17,673.41 22,097.60 3,595.42
LVD99-16 17,704.10 22,076.32 3,588.38
LVD99-22 17,727.66 22,030.01 3,578.18
LVD99-23 17,474.79 22,087.56 3,626.17
LVD99-25 17,444.87 22,082.62 3,635.23
LVD99-26 17,593.03 22,020.81 3,645.41
LVD99-27 17,523.63 22,026.45 3,649.57
V97-08 17,588.01 22,062.78 3,600.80
V97-09 17,644.24 22,041.51 3,594.25
V97-10 17,618.09 22,058.42 3,597.47
V97-13 17,547.12 21,922.26 3,621.76
V97-16 17,614.10 22,118.71 3,604.89
V97-17 17,516.16 22,072.45 3,616.07
V97-18 17,645.06 22,104.71 3,601.24
V97-19 17,676.00 22,100.00 3,597.00
V97-22 17,783.59 22,062.23 3,581.34
V97-26 17,446.74 21,958.45 3,703.35
V97-27 17,376.58 21,912.22 3,710.85
V97-29 17,412.49 21,931.89 3,714.78
VRC97-02 17,551.18 21,992.96 3,660.59
VRC97-03 17,551.62 21,984.65 3,660.61
VRC97-08 17,547.03 21,915.77 3,621.86
VRC97-11 17,452.27 21,984.41 3,683.24
VRC97-14 17,783.59 22,065.23 3,581.34
Fuente (Mgister en Regulacion, Gestion y Economis Minera, PUCP-Mariscal, 2022)
grandes, por lo que se resta en Este 21,830 m, en Norte se resta 17,345 m y en cota se
resta 3,381 m.
103
Se logra calcular las coordenadas de cada compósito y cada compósitoestán entre
1 y 1.5 m, llegando a tener 2,890 datos en formato “.DAT” que es muy fácil de abrir en
hojas Excel o Bloc de notas para poder editarlas, tal comose muestra en la tabla N° 3.
104
79.95 128.12 266.78 2.381 0.312 1
planta y secciones(2D) y/o vistas 3D. Puede ser aplicado tanto a variables
Esta rutina genera ar chivos de salida con extensión. pgn, con los mapas de
las variables.
planos 2D y 3D
105
7.2.3.2. Uso del programa Distribution
bajas de Cu y en la zona de mineral Otras Brechas se tienen la ley más alta de Cu.
en el espacio.
106
7.2.4. Histogramas
En la figura 5.5 se observa que las leyes de cobre más altas están en rocas Otras
brechas y en Brechas turmalinas, mientas que en otras Granitoidelas leyes son más bajas.
Para ver el detalle de los histogramas revisar el (Anexo I), donde se muestra que
las leyes de oro más altas están en rocas Granitoide y en brechas turmalinas, en las demás
leyes se encuentran en Otras Brechas con una ley de 1.64% de Cu y la ley más baja está
en rocas Granitoide con una ley media de 1.23%, y como global tememos una ley de
1.43% de ley de Cu, las cajas nos ayudan a visualizar su representatividad de leyes según
el tipo de roca.
En la figura 40 se visualiza los cuartiles de las leyes y mediana, las mejores leyes
de oro se encuentran en brecha turmalina con una ley de 0.45 g/t de Au y la ley más baja
de Au está en rocas Otras brechas con una ley media de 0.05 g/t, y como global tememos
107
una ley de 0.2 g/t de Au, las cajas nos ayudan a visualizar su representatividad de leyes
las variables que se indiquen como entrada”. Para ver el detalle ver en (Anexo H).
108
90.0 90.0 60.0 50.0 7.0 22 3.5 % direction 3: azm,atol,dip,dtol,lag,nlag,lagtol
135.0 90.0 70.0 30.0 8.0 20 4.0 % direction 4: azm,atol,dip,dtol,lag,nlag,lagtol
10000000000 % compute variogram types 1, 2, ..., 11? (1=yes, 0=no)
3 % 0=no display, 1=display direct and cross variograms in a single
figure, 2=display in multiple figures; 3=display only direct variograms
0 6 % display numbers of pairs? (1=yes, 0=no), font size for display
gamv % basename for output files
Fuente (Mgister en Regulacion, Gestion y Economis Minera, PUCP-Mariscal, 2022)
Isotrópico.
Entre más pequeño es el valor del variograma más relación hay entre los datos
técnica de interpolación de datos que vamos a usar y actualmente es la más usada en las
Para ver el detalle del variograma experimental de Cu y Au, revisar el (Anexo J).
que calcula las mesetas con el objetivo de minimizar la suma de los errores cuadráticos
109
Para realizar el ajuste del variograma se considera un modelo gaussiano, con los
110
→ Varianza de Errores Std de Cu relativamente bueno = 0.9 y de Au = 1.5.
Según la Universidad de (Chile (2021, p. 8) citado en Mariscal, 2022), “esta rutina genera
un archivo con las coordenadas de los nodos de una grilla regular 3D”.
o bloques de interés”.
111
7.5.1.1. Criterios de Dimensionamiento de Grilla
elevación por las dimensiones del paralelepípedo que contiene los sondajes
diamantinos de exploración.
cada 2.5m.
izquierdo se tiene los bloques creados, según las dimensiones dadas en base a las
variables 71
(Cobre y oro) con su varianza de cada bloque por Kriging, los valores
bloques.
112
7.6. Clasificación de recursos y reservas del proyecto
ingresada:
Con el uso del programa Locmap, podemos representar los bloques consu ley (Cu y
113
Figura 43 Bloques con leyes de Cu.
Fuente (Mgister en Regulacion, Gestion y Economis Minera, PUCP-Mariscal, 2022)
Los archivos Grid.DAT & Grid.OUT abrimos en una hoja de cálculo Excel y
𝑌
Desviación estándar de bloque 𝑋𝐵 × 100% Coeficiente de variación krigeado
𝐵
Si 𝑌𝐵 ≤ 𝑎𝑙 25% 𝑑𝑒 𝑋𝐵 → 𝑀𝑒𝑑𝑖𝑑𝑜
Con ese criterio es como se calcula los recursos según su clasificación, tal como
2.75 𝑡/𝑚3 y cada bloque según las grillas es de 10m x 10m x 5m tal como está
considerado en el kriging.
114
Tabla 6. Clasificación de recursos del proyecto en Matlab
Clasificación de Tonelaje Ley Cu Tonelaje Ley Au
recursos (Cu) (%) (Au) (gr/TM)
Según el análisis de los resultados, el contenido de oro está dentro de cada bloque
de cobre tal como se detalla en la tabla 7, para no duplicar el tonelaje a romper para
figura 5.18, la cual nos indica que el número 1 (color azul marino) es un recurso Medido,
el número 2 (color azul) es un recurso indicado, el número 3 (color verde limón) nos
desmonte y el número 5 (color granate) nos indica que no hay información de muestras y
el programa lo considera como una zona inexplorada. Más detalle de las secciones se
puede visualizar en los Anexos N y O, los resultados que se obtiene del Matlab son muy
fáciles de abrir con el Bloc de notas o Excel, corregir las coordenadas (sumar las que se
restaron al principio para que el Matlab lo reconozca) y guardarlos con formato “.csv” y
115
7.6.2. Reservas del proyecto
Para poder definir las reservas considerando solo la ley de corte, requerimos
calcular la ley de corte, en la tabla 1 se tenía los parámetros que necesitábamos definir, en
la tabla 7 podemos ver el detalle. Para determinar la ley de corte contamos con la
siguiente fórmula:
tabla 8.
116
Tabla 8. Determinación de ley corte del Cu
Consideraciones De Costos Opex
Categoría I
1) Costo directo mina:
Costo de perforación 0.22 US$/Ton Mat.
Costo de voladura 0.35 US$/Ton Mat.
Costo de carguío 0.98 US$/Ton Mat.
Costo de transporte 1.56 US$/Ton Mat.
Costo de servicios 0.8 US$/Ton Mat.
0.88 US$/Ton Mat.
Costo de administración mina
Prevención de riesgos, recursos humanos,
administración, servicios médicos, etc.
Categoría II
1) Costo de tratamiento del mineral
Costo de procesamiento de mineral 8.80 US$/Ton Mat.
Categoría III
1) Costo de transporte, puerto, créditos, seguros, tratamiento por fusión y/o refino, etc.
Total Categoría III 0.42 US$/lb Cu
117
La ley de corte también lo podemos expresar en ley de Au, utilizando la misma
variabilidad del precio de los metales, vamos a considerar variaciones de 5%. Para
apreciar en la tabla 12, cabe precisar que la variación se dio para distintos precios
del metal de cobre y oro, para que de esta manera el inversor o inversionistas del
118
Tabla 10. Variacion del precio del metal y ajuste de la ley corte
Ley de
Precio Precio Oro Ley de corte
corte
Variación Cobre (US$/Oz equivalente
equivalente
(US$/lb) troy ) Cu (%)
Au (gr/TM)
-50% 2.00 750.0 0.577% 1.359
-45% 2.20 825.0 0.512% 1.233
-40% 2.40 900.0 0.461% 1.129
-35% 2.60 975.0 0.418% 1.040
-30% 2.80 1,050.0 0.383% 0.965
-25% 3.00 1,125.0 0.353% 0.900
-20% 3.20 1,200.0 0.328% 0.843
-15% 3.40 1,275.0 0.306% 0.793
-10% 3.60 1,350.0 0.287% 0.748
-5% 3.80 1,425.0 0.270% 0.708
0% 4.00 1,500.0 0.255% 0.672
5% 4.20 1,575.0 0.241% 0.640
10% 4.40 1,650.0 0.229% 0.611
15% 4.60 1,725.0 0.218% 0.584
20% 4.80 1,800.0 0.208% 0.559
25% 5.00 1,875.0 0.199% 0.537
119
A medida que la variación del precio del metal aumenta la ley de corte
disminuye y si el precio del metal disminuye la ley de corte se eleva para poder
Leyes
Reservas Probadas Reservas Probables
Var. equivalentes
del Ley de Ley de
precio Ley Ley
corte corte Tonelaje Ley Cu Tonelaje Tonelaje Ley Cu Tonelaje
(%) Au Au
Cu Au (Cu) (%) (Au) (Cu) (%) (Au)
(gr/TM) (gr/TM)
(%) (gr/TM)
-50% 0.577% 1.359 13,344,403 0.898% 320,562 1.996 28,871,343 0.679% 542,633 1.371
-45% 0.512% 1.233 13,627,714 0.871% 343,109 1.990 29,992,119 0.675% 558,062 1.348
-40% 0.461% 1.129 13,942,319 0.845% 372,287 1.981 31,110,741 0.671% 576,397 1.320
-35% 0.418% 1.040 14,252,453 0.819% 396,426 1.975 32,153,494 0.666% 593,097 1.295
-30% 0.383% 0.965 14,529,059 0.797% 334,130 1.966 33,198,834 0.661% 616,151 1.261
-25% 0.353% 0.900 14,814,047 0.771% 350,252 1.964 34,146,537 0.657% 635,030 1.232
-20% 0.328% 0.843 15,059,919 0.749% 364,938 1.954 35,344,906 0.653% 653,728 1.204
-15% 0.306% 0.793 15,370,053 0.719% 385,211 1.944 36,576,683 0.650% 668,794 1.182
-10% 0.287% 0.748 15,618,719 0.700% 401,812 1.938 37,600,470 0.645% 688,000 1.153
-5% 0.270% 0.708 15,798,119 0.670% 418,253 1.935 38,494,936 0.642% 704,011 1.129
0% 0.255% 0.672 15,859,003 0.669% 434,801 1.925 38,570,373 0.641% 706,008 1.126
5% 0.241% 0.640 16,689,258 0.654% 451,322 1.917 40,290,386 0.631% 707,410 1.125
10% 0.229% 0.611 17,463,541 0.640% 467,844 1.913 42,175,786 0.615% 708,964 1.124
15% 0.218% 0.584 18,202,375 0.626% 484,365 1.906 43,631,183 0.604% 710,302 1.123
20% 0.208% 0.559 19,015,839 0.611% 500,886 1.900 45,152,733 0.587% 711,447 1.122
25% 0.199% 0.537 19,590,488 0.599% 560,001 1.890 46,839,670 0.581% 712,883 1.121
120
8. CONCLUSIONES
minerales. Cada método tiene sus ventajas y limitaciones, y se deben evaluar en función
método adecuado y la correcta interpretación de los datos son fundamentales para obtener
recursos minerales, se concluye que la evaluación de los resultados debe incluir una
121
9. RECOMENDACIONES
incertidumbre asociada con cada uno de ellos y cómo afectan a la precisión de las
estimaciones. También se debe tener en cuenta que algunos métodos pueden ser más
122
10. BIBLIOGRAFÍA
Albornoz, G., & Rendón, J. (2015). Estimación de reservas mineras mediante el método de
los polígonos en una mina de hierro. Revista de Investigación Minero, 20, 23-28.
AusIMIM (2022). The JORC code. Australasian Code for Reporting of Exploration Results,
https://www.jorc.org/docs/JORC_Code_2012_Spanish_translation_March_2018.pdf
Chávez, A., & San Martín, R. (2014). Evaluación de la calidad de los recursos minerales
Chica-Olmo, M., Sánchez-Flores, E., & Montero, J. (2007). Introducción al uso del método
Díaz, E., & Pérez, M. (2012). Geoestadística aplicada a la minería. Universidad de Huelva.
Díaz, R., Rojas, L., & Morales, D. (2018). Evaluación de la estimación de recursos
Diggle, P. J., & Ribeiro Jr, P. J. (2007). Model-based geostatistics (Vol. 123).
Fuentes, M., & Rodríguez, A. (2014). Métodos no paramétricos para datos georreferenciados
123
García, A., Gómez, J., & García, O. (2015). Métodos de estimación de recursos minerales:
Ghorbani, M. A., Asghari, O., & Soltani, A. (2013). The use of geostatistics in mineral
el software MINESIGHT.
González, J., Moratalla, A., & Herrera, M. (2016). Aplicación del método de kriging
Hengl, T., & Heuvelink, G. B. (2013). A generic framework for spatial prediction of soil
Kruskop, S., Sánchez, P., & Martínez, M. (2010). Geoestadística para la modelización de la
Liu L., Li Y., Li J., Li X., & Li G. (2021). Application of geostatistical simulation and
124
el grado académico de Magíster en Regulación, Gestión y Economía Minera. PUCP.
Recuperado de http://hdl.handle.net/20.500.12404/23095
Martínez, J. J., & Arboleda, F. L. (2017). Análisis comparativo del método de kriging
Matheron, G. (1971). The theory of regionalized variables. École des Mines de France.
Moreno, E., & Ortiz, J. (2017). Evaluación de la estimación de recursos minerales por el
Oliver, M. A., & Webster, R. (2014). Métodos geoestadísticos. En Modelos espaciales (pp.
Ortiz, J. M., & García, A. (2014). Predicción espacial de variables geológicas mediante la
Ospina, D., & Gómez, H. (2016). Estimación de reservas minerales por el método de la
12(23), 29-44.
de Información Geológica.
125
Pérez-Gutiérrez, R. (2014). Métodos de interpolación y análisis de la precisión de datos
Geomatica.
Salcedo, H. S., Sánchez, J. P., & Delgado, H. (2015). Estimación a través del método de
Turner-Saad, G., 2011. A joint cut and fill mining and mineral processing methodology for
mine planning.
recursos minerales por el método de los polígonos en una mina de cobre. Revista de
Velasco, A., & Reyes, L. (2018). Estimación de recursos minerales utilizando el método de
126
11. ANEXOS
https://docs.google.com/document/d/1D93G0Lxe81oyMImGAczDs6HoSQMil9ft/edit?us
p=sharing&ouid=117963100904593748811&rtpof=true&sd=true
127