ESTIMACION DE RECURSOS

PORFIDOS Y SKARN
Fernando Sáez Rivera
 INDICE
- MODELOS DE PORFIDO Y SKARN

- DETERMINACION DE DOMINIOS

- ANALISIS PREVIOS
- EDA (Estadistica) (Variografia)
- PARAMETROS DE ESTIMACION

- ESTIMACION (OK, ID, NN)

- VALIDACIONES (Global, Local, HERCO)

 RECONCILIACION
Recon: All
F1: OC / Exp Model
110% F2: Process / OC (so OC not
105% adjusted for Mining losses / gains?)
F1_Oz
F3: Process / Exp Model
% Diff

100%
F2_Oz
95% F3_Oz

90%

85%

09
6

9
06

07

08

09
6

8
_0

_0

_0

_0
_0

_0

_0
_0

_0

_0

n_
p_

p_

p_

p_
ar

ar

ar

ar
ne

ne

ne
ec

ec

ec

Ju
Se

Se

Se

Se
M

M
D

D
Ju

Ju

Ju

3 Month Interval

PROBLEMAS:
- El Espaciamiento de taladros en el actual banco no es suficiente para controlar las leyes.
- Diferentes tipos de Arcillas que no existen el modelo.
- No hay un buen control de mineral de Oxido, Mixto1, Mixto2, Sulfuros.
- No hay buen control de las altas leyes (a veces da mucho mas y a veces mucho menos)
- No hay modelo de un elemento contaminante que penaliza la venta
- No hay modelo de desmonte generador de ácido.
 INDICE

- MODELOS DE PORFIDO Y SKARN

- DETERMINACION DE DOMINIOS

- ANALISIS PREVIOS
- EDA (Estadistica) (Variografia)
- PARAMETROS DE ESTIMACION

- ESTIMACION (OK, ID, NN)

- VALIDACIONES (Global, Local, HERCO)

Que es un modelo?
 Evolución del Modelo

Modelo de Exploración:

Bloques con Cu, Au, Roca, Fallas, Altr.

un Modelo Geológico perse

Modelo Geológico Minero

• Modelo de Cobre - Oro (krigeado)

• Modelo de Recuperación (Cu, Au, CnCu, pH)
• Modelo de Moliendabilidad (RQD, Roca, Alter, TPH)
• Modelo de Voladura (GSI, Yeso, Roca, Altr)
• Modelo Ambiental (NAG, ANC, Py )
 Modelo Geológico Antapaccay (Cu-Ag-Au-Mo)

DIORITA

CALIZA
PM2

HORNFELS STOCK WORK

PM1

Bx
CALIZA DIATREMA
MODELO ALTERACION BAJO ALUMBRERA

Propilitica
Feldespato Destructivo

Potasica

Cuarzo
Margnetita
TOQUEPALA – FILICO
CUAJONE – FILICO
PEROL – FILICO
CHUQUICAMATA – FILICO-POTASICO
CHAILHUAGON – POTASICO
ANTAPACCAY – POTASICO
BAJO ALUMBRERA – POTASICO
BINGHAM – FILICO-POTASICO
SKARN TINTAYA (CU-MO) SKARN FERROBAMBA

MBL ExoSkarn EndoSkarn Monzonita

Cu
Mo
SKARN ANTAMINA (CU-ZN-MO-PB-AG)

MO
CU
ZN
 INDICE
- MODELOS DE PORFIDO Y SKARN

- DETERMINACION DE DOMINIOS
- ANALISIS PREVIOS
- EDA (Estadistica) (Variografia)
- PARAMETROS DE ESTIMACION

- ESTIMACION (OK, ID, NN)

- VALIDACIONES (Global, Local, HERCO)

 MINERALIZED REGIONAL BELTS
Lancones Basin Northern Peru
VMS Cu-Zn-Au Cu-Au Porphyry Belt
Northern Peru
MVT Zn Belt
Yanacocha Epithermal
Gold Belt Pataz Batholith
Mesothermal Gold Belt

Pierina Epithermal Central Peru MVT

Gold Belt Zn-Belt

Central Peru Eocene-Oligocene

Polymetallic Skarn & Apurimac
Replacement Belt Cu-Porphyry-Skarn Belt

Iron Oxides
Cu-Au Coastal Ananea
Belt Mesothermal
Gold Belt

Coastal Batholith
Mesothermal Paleocene Southern
Peru Southern Peru
Gold Belt Epithermal Au-Ag Belt
Cu-Porphyry Belt
Condiciones para una buena estimación

Cada Dominio tiene que tener:

Estacionaridad

Intrínseca
 Estacionaridad
La estacionaridad se refiere a una “homogeneidad” en el
espacio de las características de la variable en estudio: media,
dispersión, continuidad, etc. Implica que las propiedades
estadísticas de los datos son representativas del total del
dominio para estimar.
 Deriva o No Estacionario
• En la mayoría de los casos alguna clase de deriva está presente en el
fenómeno o no existe alguna geología
– Los fenómenos de interés son anomalías?
Escala de la deriva es importante

30 14

zona
25 pobre 12

20 10
z(x)
z(x)
15 8

10 6

5 4
zona rica

0 2
0 200 400 0 20 40
global local
 Intrínseca
cuando los crecimientos son estacionarios de orden dos:




E ( Z (u)  Z (u  h))  0
Var ( Z (u)  Z (u  h))  2 (h) u  D
Considerar la posibilidad de subdividir el área en subzonas más homogéneas
 Modelamiento geológico (unidades de estimación) Que cumplan con las
condiciones de: estacionaridad e intrínseco

SKARN
Intrusivo
Caliza
CHEQUEO DE LA ESTADISTICA HISTOGRAMA y FREQ. ACUMULADA por la
ESTACIONARIDAD
• Debe confirmarse con información geológica
 CHEQUEO DE FORMAS y DIRECCIONES DE MINERALIZACION por el
FENOMENO INTRINSECO
Debe confirmarse con información geológica
4
4
3
1
2 8
3

1 7
6 2

5
PORFIDO forma clásica
SKARN forma de dos anillos
Eventos HIPOGENOS Eventos SUPERGENOS
 INDICE
- MODELOS DE PORFIDO Y SKARN

- DETERMINACION DE DOMINIOS

- ANALISIS PREVIOS
- EDA (Estadistica) (Variografia)
- PARAMETROS DE ESTIMACION

- ESTIMACION (OK, ID, NN)

- VALIDACIONES (Global, Local, HERCO)

 Histograma y Frecuencia Acumulada
– La escala de intensidades se divide en N clases.
– Una frecuencia está asociada a cada centro de
clase y representada por un rectángulo
proporcional
– Las frecuencias pueden ser absolutas o relativas

w_min
 BoxPlot :Comparison Metal by Domains

Box: Half the data in the middle of distribution (25th – 75th percentile)
Median: Horizontal line inside box (higher half from lower half)
Mean: Dot (average)
 Análisis Univariables valores extremos
• Valores extremos: afectan considerablemente las estadísticas básicas
• ¿Qué hacer con ellos?:
– Declarar los valores extremos como erróneos y eliminarlos
– Clasificarlos en poblaciones estadísticas separadas
– Usar estadísticas robustas, que son menos sensibles a los valores extremos:
mediana, coeficiente de correlación de posición
– Transformar los datos para reducir su influencia
– Bajarlos a un máximo “razonable”

• Outliers: Observaciones que parecen no pertenecer a la misma población

constituida por el resto de los datos (chequeo de la geologia)

• Los datos considerados extremos (outliers) puede eliminarse sólo si se ha

comprobado que están errados. En caso de ser datos verdaderos, proveen
información que puede ser crítica para la respuesta del modelo.
 ANALISIS DE VALORES EXTREMOS

Top Cut Method value Sample

Histogram 30 gpt 6
Cumulative plot 20 gpt 10
Oxide Zone
Sulphide Zone

Domain Samples Min Max Mean Std. Dv. Mean Std. Dv.
Oxide 8193 (75%) 0.0025 145.155 1.14 2.76 1.11 1.85
Sulphide 2682 (25%) 0.0033 18.2601 0.86 1.34 0.86 1.34
Total 10875 0.0025 145.155 1.07 2.49 1.05 1.74
Análisis de Contacto

DOMINIO 1 DOMINIO 2
Análisis Estadístico

ypq w_min
 Análisis Estadístico

LG

HG

LG HG
Análisis Estadístico Análisis de Contacto
 Interpretación de variogramas experimentales
Variograma Vertical
Meseta

Efecto pepita
Rango

Distancia
• Meseta = la varianza (1.0 si los datos están estandarizados)
• Alcance = la distancia a la cual el variograma alcanza la meseta (95%)
• Efecto pepita = suma de variabilidad debida a microestructuras geológicas y
error de medición
– Cualquier error en la medición del valor o la posición asignada a la medida se traduce
en un efecto pepita mas alto.
– Cuando los datos son escasos el efecto pepita aparece más alto de lo esperado
 Structures Variograms
AZIMUTH = 0 DIP = 0
1.5 (h) = 0.400 + 0.329 Sph 30.7(h) + 0.271 Sph 270.1(h)

       
1.0  
  

240
25 7
333

299
311
354
366


284

5
420
399
513

1
450


551

1
0
2
44 7

6
473
  

545

7
(h)

9
575

9
652
629
610

3
5

4
720

3
5
8
0
764
715

2
734

5
3
  809
803

6
79 3
709

841
881

0
1
9
 8
8
378
499

4
4

4
4
605
4
2
188

0
7

0.5 
223
8

*
Sample variogram points with less than
350 pairs have not been plotted.

0
0 62.5 125.0 187.5 250.0
Lag distance (h)
 Ellipsoid Rotation by Program
• Ellipsoid Rotation:
– Mine Sight: Z-Left X-Right Y-Left
– Vulcan: Z-Left X-Right Y-Left
– GSLib: Z-Left X-Right Y-Right
– TSS: Z-Left Y-Right Z-Left
 Variography

Geological Rot ISATIS: 122° 25° -55° Math. Rot. ISATIS: 20° -20° 15°
Nugget effect : 0.55
First Struc. - Spherical: sill=1.2, U=30m V=25m W=25m
Second Struc.-Spherical: sill=1.8, U=45m V=110m W=80m
Cross Validation: Min Max Mean SD. Rho Rho
(Z-Z*) (Z-Z*) (Z-Z*)/SD (Z-Z*) /SD Cor C. (Z-Z*)/SD
-16.226 10.49 0.002 0.89 0.871 -0.098
Mapa Variografico en 3 ejes principales
ISATIS

Geological Rot.
Azimuth = 122°
X-right= 25°
Z-left = -55°

Mathematician Rot.
Z-Right = 20°
Y-right= -20°
X-right = 15°
 Ellipsoid vs Geology

Slide 44 4/23/2019 Mining 101

 Variografia por Dominio
• Domain HG and LG:
 Parameters of Estimation

• POR DOMINIOS
• Statistic Parameters (Min
& Max Reject, Capping)
• Variography Parameters
(Nugget, Sill, Range, TSS
Rotation)
• Search Parameters (Min &
Max Sample, Searches)
 Estimation OK
Searches
Max. No. Min. No.
Domain
Samples Samples
ROT 1 ROT 2 ROT 3
Central – Upper (dm1) 228 291 63 8 2 Mas
Central – Lower (dm2) 320 419 31 8 2
suavisamiento
Norte 405 307 34 10 2

Sur 117 251 11 10 2

(valores
cercanos a la
THigh Grade – Halo 30 30 80 50 10 2
media)
T Low Grade – Halo 15 52 105 60 6 2
 Busqueda de Volumen (3D)

48
 Búsqueda por Octante o Cuadrante

49
 INDICE
- MODELOS DE PORFIDO Y SKARN

- DETERMINACION DE DOMINIOS

- ANALISIS PREVIOS
- EDA (Estadistica) (Variografia)
- PARAMETROS DE ESTIMACION

- ESTIMACION (OK, ID, NN)

- VALIDACIONES (Global, Local, HERCO)
 ESTIMACION formula lineal
Puede ser: POLIGONAL o NN
PROMEDIO
INVERSE DISTANCES
KRIGEAGE,
EN GENERAL:

Z *
 * z
i 1, n
i i
• 1) MEDIA ARITMETICA:Se basa en lo siguiente
“para estimar la ley media de un conjunto se
promedian las leyes de los datos que están
dentro del conjunto”

• Su fórmula general:
zj
zs  
N
• 2) Polígonos o Nearest Neighbor (NN):El
método se basa en “asignar a cada punto del
espacio la ley del dato más próximo.Para
estimar una zona se ponderan las leyes de los
datos por el área de influencia sj”
• Su fórmula es la siguiente:

sjz j
zs  
s
• Polígonos:
La ley del punto • Inverso de la distancia
corresponde a la de la n(x)
z ( x )
muestra más cercana  d p
z (x)   n1( x ) 
1

 1  d p

D
z(x)
d
3) INVERSO DE LA DISTANCIA:Se basa en “asignar mayor
peso a las muestras cercanas y menor peso a las
muestras alejadas a s”
• Se consigue al ponderar las leyes
• Su fórmula es:
zi
n di
z { }
n 1
i 1 

j dj
 Kriging Simple
Z   i * zi
*

i 1, n
• El kriging minimiza esta varianza de estimación para obtener
los ponderadores. Derivando e igualando a cero, se obtiene
el sistema de kriging simple:
 C (x1  x1 )  C (x1  x n )   1   C (x1  x 0 ) 
    
       
 C (x  x )  C (x  x )      C (x  x ) 
 n 1 n n   n  n 0 
n n
Z (x 0 )     Z (x )   1      m
*

• Y por lo tanto:  1  1
n
 KS
2
(x 0 )  C (0)    C (x  x 0 )
 1
 Kriging Ordinario
• O en términos de variograma:
  (x1  x1 )   (x1  x n ) 1   1    (x1  x 0 ) 
    
         
  (x  x )   (x  x ) 1        (x  x ) 
 n 1 n n
 n  n 0

    
0      
 1 1 1 
n
Z * (x 0 )     Z (x )
 1

y n
 KO
2
(x 0 )     (x  x 0 )  
 1
• POLIGONO o NN  1
1
• PROMEDIO i 
n
• ID 1

i 
di  1,3,5,7
1

i 1, n d i


 1    ( x1  x 0 )   ( x1  x1 )   ( x1  x n ) 1  -1
• KRIGEAGE     
      
      ( x  x )   ( x  x )   ( x  x ) 1
 n   n 0
 n 1 n n

  1  1  1 0
 Block Models – Visual Differences
NN ID2

ID5 OK

May 7, 2008 - Slide 59

 INDICE
- MODELOS DE PORFIDO Y SKARN

- DETERMINACION DE DOMINIOS

- ANALISIS PREVIOS
- EDA (Estadistica) (Variografia)
- PARAMETROS DE ESTIMACION

- ESTIMACION (OK, ID, NN)

- VALIDACIONES (Global, Local, HERCO)

 Validacion Global Bias, NN vs Ordinary Kriging
NN OK – 8 Max
VALIDACION LOCAL BIAS or SWATH PLOT
 VALIDACION HERCO
• HERCO: La Quinua Sur Au (gpt) Simulated DH at 100 x 100 m Grid, Within Pit, 10 x 10 x 12 m SMU

– By Domains
120 1
– NN Values 0.9

– Block Dispersion Variance 100

0.8

(Variography)

Average Grade Above Cutoff

0.7

Proportion Above Cutoff

80

– Mean Ordinary Kriging 0.6

60 0.5

0.4
40
0.3

0.2

• Result Comparison: 20
0.1

– HERCO vs OK 0
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75
0

Cutoff Au (gpt)

Herco Prop OK Prop OK Grade Herco Grade

Contact Plot – Composite and Model
 Geológicas: Roca, Altr, RQD
Metales: Cu,Au, EqCu

Geotecnico: RQD, IRA

Recuperación: %RecCu, %RecAu

Molienda: TPH, Metal PH,

US$PH
Voladura: UCS, VolIndex, Expl/Ton

Ambientales: PAG, ANC, NCV, pH

GRACIAS POR SU ATENCION