La estimación de recursos minerales (ERM) es un proceso

indispensable para el desarrollo de un proyecto minero, esto

producto que en esta etapa se puede determinar la continuidad
de un proyecto minero, basados en si el depósito es capaz de
proporcionar un beneficio económico.
Etapas de un Proye cto Minero

Evaluación del
proye cto De sarrollo y Producción o Cierre de
Prospección Exploración
(estudio de construcción explotación faenas
factibilidad)

Objetivo Objetivo Objetivo Objetivo Objetivo Objet ivo

De sarrollar los Consiste en la

Iniciar la alime ntación
trabajos necesarios preparación y
Lograr un Lograr un soste nida
Realizar un en la mina para ejecución de
conocimiento conocimiento alimenta ción
estudio técnico- alcanzar el cuerpo actividades
general de un área detallado del soste nida del mine ral
económico. mine ralizado y nece sarias para
de interés ge ológico depósito mineral. a la Planta de
asegurar la restaurar las áreas
proce samiento.
alimenta ción. afectadas.

Figura 1: Etapas de un proyecto minero.

16-11-2020 Métodos de regresión en evaluación de yacimiento 3

•  En la actualidad se conocen diversos algoritmos lo cuales se utilizan para realizar la , pero estos están
condicionados, por un lado a la cantidad de información confiable que se tenga disponible de los
sondajes de explotación; y por el otro lado, también están condicionados intrínsecamente por las
construcciones propias de las estimaciones. Estos problemas generan complicaciones en la
construcción del modelo de bloques, los que acarrean problemas que pueden tener incidencia
significativa en los procesos posteriores, produciendo así un impacto en la evaluación económica de
un proyecto minero.
• Es posible disminuir la incertidumbre resultante durante la construcción del modelo de bloques y
además obtener una medida de error de estimación utilizando diversos algoritmos de predicción
basados en Modelo de Regresión Lineal que son aplicados a datos provenientes de sondajes de
exploración.

(*) Estimación de recursos minerales .

16-11-2020 Métodos de regresión en evaluación de yacimiento 4
El objetivo general de esta Memoria de Título corresponde a la
aplicación de tres modelos de regresión lineal para realizar la
construcción de un modelo de bloques y la obtención de una
medida de la incertidumbre de la distribución mineral.
Algunos objetivos específicos son:
• Aplicar los modelos de regresión lineal (Kriging Bayesiano,
regresión geográficamente ponderada y regresión beta) para la
construcción de modelos de bloques y cuantificación de la
incertidumbre.
• Analizar el impacto del uso de estos algoritmos de regresión
lineal en la estimación y categorización de recursos minerales.
• Realizar una comparación de diferentes escenarios de
estimación utilizando los métodos tradicionales (Kriging
Ordinario e Inverso de la distancia) con los propuestos.

16-11-2020 Métodos de regresión en evaluación de yacimiento 5

 Comparación de los métodos

Métodos tradicionales
Base de Validación
KO
Base de Datos Partición
Caso Simulado
Simulados Base IDW

Construcción de Categorización de
Base con Sondajes Métodos Propuestos RMSE
Procesamiento de Modelos de bloques Recursos
Trabajo BKR

Análisis GWR
Caso Real
Exploratorio

BREG

Validación Cruzada
Comparación de los métodos
uno a uno

Figura 2: Esquema de procedimiento de trabajo.

• KO: Kriging Ordinario • GWR: Regresión ponderada geográficamente

• IDW: Inverso de la • BREG: Regresión Beta
distancia
• RMSE: Raíz del error cuadrático medio
• BKR: Kriging Bayesiano

16-11-2020 Métodos de regresión en evaluación de yacimiento 6

•Se  genera un yacimiento de dimensiones y cada bloque tiene un tamaño de , obteniendo un total de
puntos.

Figura 3: Visualización de área de trabajo.

16-11-2020 Métodos de regresión en evaluación de yacimiento 8

Se generan 100 simulaciones, donde en cada
una se crea una ley artificial que se construye
a partir de otras dos leyes simuladas y un error
para poder representar de mejor manera un
caso real.

b) Distribución
  a) Distribución  

c) Distribución
 
Figura 4: Distribuciones de leyes y y el error para la simulación .
 
16-11-2020 Métodos de regresión en evaluación de yacimiento 9
Se generan 100 simulaciones, donde en cada
una se crea una ley artificial que se construye
a partir de otras dos leyes simuladas y un error
para poder representar de mejor manera un
caso real.

Figura 5: Distribución de ley simulación 100.

16-11-2020 Métodos de regresión en evaluación de yacimiento 10

Para la extracción aleatoria de los sondajes se
toma como consideración los siguiente:
• Ángulo de inclinación: 90º.
• Profundidad mínima del sondaje: 30 [m]
(15% de la profundidad total del
yacimiento).
• Profundidad máxima del sondaje: 150 [m]
(75% de la profundidad total del
yacimiento).
• Cantidad de sondajes a extraer: 28
(representa 7% de la información de la
superficie del yacimiento).

Figura 6: Visualización de sondajes en simulación 100.

16-11-2020 Métodos de regresión en evaluación de yacimiento 11

•Se  realizan cinco estimaciones diferentes de la ley para cada simulación, donde dos corresponden a los
métodos tradicionales, Kriging Ordinario e Inverso de la Distancia, y los tres últimos se tratan de los
algoritmos basados en Modelos de Regresión Lineal, siendo en estos necesario estimar en primer lugar
las leyes y a través de Kriging Ordinario para ser utilizadas como variables de entrada.

Estimación de Ley y

Kriging Bayesiano Estimación de Ley y

Estimación de Ley v1 y v2
Kriging Ordinario
Regresión Geográficamente
Métodos propuestos Kriging Ordinario
ponderada Métodos tradicionales
Inverso de la Distancia
Regresión Beta

Figura 7: Esquema de metodología de algoritmos.

16-11-2020 Métodos de regresión en evaluación de yacimiento 12

Regresión Beta
• Se normaliza la base de datos para que los valores estén comprendidos entre 0 y 1.
• Se utiliza la función de enlace “log-log” y los caracteres de la función de enlace “identity”.

Regresión Geográficamente Ponderada

• La base de datos se divide por niveles correspondientes a cada cota del yacimiento simulado.
• La cantidad de vecinos a ser utilizados en la estimación de un valor varía entre el 5% y 50% del total
de los datos presentes.
• Se define el modelo variando el ancho de banda, probando 50 valores diferentes, donde se utiliza un
kernel gaussiano.

16-11-2020 Métodos de regresión en evaluación de yacimiento 13

•Kriging
  Bayesiano
• Al igual que en el caso anterior, la base de datos se divide por niveles.
• El variograma se modela de manera automática dependiendo de las leyes y .
• Se elige la distribución “reciprocal” para determinar el valor de la meseta y “uniform” para determinar el valor del
rango y pepa.

Inverso de la distancia
• El modelo es construido variando el coeficiente de ponderación () y nmax, donde varía entre 3 y 5, y nmax entre
70 y 250.

Kriging Ordinario
• Se construyen los variogramas omnidireccionales de manera automática utilizando la función autofitVariogram.
• Se hace variar el número de observaciones máximas (nmax) para ser utilizadas en la predicción, con un mínimo de
10 y un máximo de 160.

16-11-2020 Métodos de regresión en evaluación de yacimiento 14

 Figura 8: Base original y estimación de ley en simulación 100.
 
Para hacer el análisis de la calidad de las estimaciones realizadas se utiliza la raíz del error cuadrático
medio (RMSE).

Gráfica de caja de resultados de RMSE

100 simulaciones

0,18

0,16

0,14

Datos
0,126
0,123 0,120 0,123 0,121
0,12

0,10

0,08

0,06
BREG GWR BKR IDW OK

  Figura 9: Gráfica de caja de RMSE de ley para modelos de regresión.

16-11-2020 Métodos de regresión en evaluación de yacimiento 16

• BREG no logra ganarle a ningún método más del 50% de las veces.
• BKR logra ganarles a todos los métodos con un mínimo del 50% de las veces.
• OK al igual que BKR logra ganarles a todos los métodos con un mínimo de 50%.
• En general, OK es el que obtiene mejores resultados la mayoría de las veces en un 39%.

Tabla 1: Matriz de comparación entre métodos de regresión. Tabla 2: Porcentajes de veces en que cada método supera al resto.

16-11-2020 Métodos de regresión en evaluación de yacimiento 17

Se utiliza el método propuesto por Diehl & David, el cual se basa en definir niveles de confianza y de
precisión (error). La precisión se expresa en función de la desviación estándar Kriging y el valor
estimado Kriging. Producto que lo métodos de regresión empleados no cuentan con la varianza de
Kriging, se asume que las varianzas son iguales a las del Kriging ordinario, esto con el fin de establecer
un criterio unificado para los métodos y así poder compararlos.

Tabla 3: metodología de Diehl y David para clasificación de recursos minerales.

16-11-2020 Métodos de regresión en evaluación de yacimiento 18

 En el peor de los casos, aproximadamente el 58% de la estimación se clasifica como recursos medidos,
mientras que para el caso más probable es un 90% y por último, para el mejor caso, este número
asciende a 100%.

Gráfica de categorización de recursos Gráfica de categorización de recursos Gráfica de categorización de recursos

Peor caso Caso más probable Mejor caso
100,0% 100,0% 100,0% 99,8% 100,0%
60,0% 56,9% 56,6%
58,9%
57,5% 100,0%
98,8%
100,0%
55,3%
91,1%
89,6% 89,2% 89,3%

50,0%
44,7% 80,0% 80,0%
43,1% 43,4%
42,5%
41,1%

40,0%
Porcentaje

Porcentaje

Porcentaje
60,0% 60,0%
30,0%
40,0% 40,0%
20,0%

20,0%
10,0% 10,4% 10,8% 10,7%
20,0%
8,9%

1,2%
0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
0,0% 0,0% 0,0% 0,0% 0,0% 0,2% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%

Método Método 0,0%

Método

Figura 10: Categorización de recursos peor, más probable y mejor caso.

16-11-2020 Métodos de regresión en evaluación de yacimiento 19

•  BREG en general tiene la tendencia a estimar leyes mayores en comparación al resto de los métodos, teniendo a
una ley media de en el caso más probable
• BKR al igual que para el caso GWR es un algoritmo que está disponible en R solo en 2D, por lo que fue
necesario hacer la misma adaptación por niveles que se describió en el punto anterior, esta misma adaptación
puede afectar la calidad de la estimación en cada punto, a pesar de lo anterior BKR resulta ser uno de los
mejores modelos de regresión para la estimación, superado de manera significativa los demás métodos
propuestos
• IDW por su lado entregó resultados de estimación parecidos a GWR con la diferencia que IDW se tuvieron que
probar una mayor cantidad de combinaciones posibles entre el coeficiente de ponderación y la cantidad de
vecinos máximos utilizados para realizar la estimación, teniendo tiempos computacionales mayores que GWR.
además, IDW al contrario que BREG tiene a entregar las menores leyes teniendo una ley promedio de en el caso
mas probable.
• OK en este caso es el método que entrega las mejores estimaciones para el caso simulado, ganándole al resto de
los métodos en un y además tiene menor costo computacional en comparación al BKR
• Para ningún caso se encuentran recursos inferidos en las estimaciones realizadas.
• La calidad de la estimación disminuye a medida que la profundidad es mayor.
16-11-2020 Métodos de regresión en evaluación de yacimiento 20
La base datos real corresponde a una campaña de sondajes para un yacimiento de hierro, la cual está
compuesta de 660 muestras recogidas de un total de 11 sondajes, donde además se cuentan con el tipo y
textura de roca, siendo estos atributos discretos.

Figura 11: Visualización de Fe en sondajes.

16-11-2020 Métodos de regresión en evaluación de yacimiento 22

La base datos real corresponde a una campaña de sondaje para un yacimiento de hierro, la cual está
compuesta de 660 muestras recogidas de un total de 11 sondajes, donde además se cuentan con el tipo
textura de roca, siendo estos atributos discretos.
Tabla 4: Tipos de rocas y texturas en base real.

Gráfica circular de tipo de roca Gráfica circular de textura de roca

Sondajes Sondajes
Categoría Categoría
MET POR
2,1% 5,0% HIE AFA
17,0%
17,7% BRH MAC
AND BRE
DIO

4,4%
33,8% 1,1%

41,4% 77,6%

Figura 12: Gráfico circular de tipo y textura de roca en sondajes.

16-11-2020 Métodos de regresión en evaluación de yacimiento 23

• Se
  utiliza el modelo de bloques obtenido en la Memoria de Titulo de Valentina Neira, quien utiliza el
método co-Kriging indicador para hacer la estimación de textura y tipo de roca para el mismo
yacimiento de hierro. Estos valores van a servir de variables de entrada para los métodos basados en
modelos de regresión lineal.
• El modelo de bloques tiene un total de 62653 bloques de dimensiones de cada uno, el cual cubre una
zona de 800 [m] al Este, 1480 [m] al Norte y 600 [m] en dirección vertical.

Figura 13: Estimación por co-Kriging indicador para el tipo y textura de roca en yacimiento.

16-11-2020 Métodos de regresión en evaluación de yacimiento 24

• Tomando los resultados antes descritos para el tipo de roca, textura del yacimiento y la información
proveniente de la campaña de sondajes, se procede a hacer la estimación de la ley de Fe, con los
métodos propuestos, BREG, BK, GWR, haciendo una comparación con los métodos tradicionales, en
este caso KO y IDW, donde las variables de entrada son solo las coordenadas.
• Para optimizar los parámetros utilizados en cada algoritmo, se realiza la validación cruzada uno a
uno.

Figura 14: Visualización sondajes.

16-11-2020 Métodos de regresión en evaluación de yacimiento 25

•Regresión
  Beta
• Se estandariza la base de datos.
• Se realizan 18 combinaciones entre la función de enlace y los caracteres de la función de enlace.
• Se concluye que la función enlace y los caracteres que optimizan el código son "cauchit", y "identity"
respectivamente.
Regresión Geográficamente Ponderada
• La base de datos se divide en 31 niveles.
• Se define el modelo variando el ancho de banda, probando 50 valores diferentes.
• La cantidad de vecinos a ser utilizados en la estimación de un valor varía entre el 5 y 50% del total de los datos
presentes.
• Se prueban 5 tipos de kernels diferentes: "gaussian", "exponential", "bisquare", "tricube", "boxcar“, siendo un total
de 250 combinaciones diferentes para optimizar el modelo.
• Se concluye que los parámetros que optimizan el código son el ancho de banda y un Kernel exponencial.
. 16-11-2020 Métodos de regresión en evaluación de yacimiento 26
•  
Kriging Bayesiano
• Al igual que en el caso anterior, la base de datos se divide por 31 niveles.
• El variograma se ajusta según las variables Tipo de Roca y Textura.
• Se elige la distribución “reciprocal” para determinar el valor de la meseta y “uniform” para determinar el
valor del rango y pepa, donde estos varían desde 0 con un aumento de 12,2 y 0,06 respectivamente
Inverso de la distancia
• El modelo es construido variando el coeficiente de ponderación () y nmax, donde varía entre 0.5 y 3, y
nmax entre 10 y 200, siendo 520 combinaciones.
• Se concluye que los parámetros que optimizan el código son y nmax = 70
Kriging Ordinario
• Se construyen un variograma omnidireccional de manera automática utilizando la función
autofitVariogram.
• Se hace variar el número de observaciones máximas (nmax), con un mínimo de 10 y un máximo del total
de la base (60 combinaciones).

16-11-2020 Métodos de regresión en evaluación de yacimiento 27

Figura 15: Estimación de ley FE en modelo de bloques.
En general, los resultados de RMSE son bastante cercanos entre todos los métodos, siendo IDW el
modelo que logró el menor valor y BREG el algoritmo con el mayor valor de RMSE.

Tabla 5: Resultados de RMSE en base con sondajes.

16-11-2020 Métodos de regresión en evaluación de yacimiento 29

Se utiliza la misma metodología empleada en el caso simulado. Se obtiene una gran cantidad de
recursos indicados para los cinco métodos, siendo lo contrario para los recursos inferidos y medidos,
esto producto de la poca información proveniente de la campaña de sondajes.
Gráfica de categorización de recursos
yacimiento de hierro
100,00% 95,79%

83,31% 83,49%
80,39%78,97%
80,00%

Porcentaje 60,00%

40,00%

20,00% 15,61%
11,25%
8,63% 9,78% 8,00% 8,07% 8,51%
4,21% 4,00%
0,01%
0,00%
EG R R W K EG R R W K EG R R K
W BK ID O W BK ID O W BK ID W O
BR G BR G BR G

i do do ri d
o
ed d ica fe
M In In

Figura 16: Categorización de recursos en yacimiento de hierro.

16-11-2020 Métodos de regresión en evaluación de yacimiento 30

•BREG
  al realizar la optimización con validación cruzada, la calidad de la estimación no se ve afectada por los
caracteres de la función enlace y lo que afecta la estimación es la elección de la función enlace.
•GWR al ser un método de regresión 2D fue necesario adaptarlo a estimación 3D, de la misma forma que en el caso
simulado, pudiendo afectar la calidad de las estimaciones realizadas. En cuando a la optimización del código se destaca
el efecto que tiene la determinación del ancho de banda respecto a la elección del Kernel, es decir, genera un mayor
cambio la variación de ancho de banda que el tipo de kernel.
•BKR fue el método que logro estimar las menores leyes en el yacimiento.
•REG, GWR, BKR son algoritmos que su estimación se condicionaron a los resultados de tipo de Roca y textura
obtenidos por co-Kriging indicador, dado que la estimación se modeló de manera tipo de roca + textura de roca.
•.
•En la categorización se obtuvo una fuerte presencia de recursos indicados y escasa cantidad de recursos medidos.

16-11-2020 Métodos de regresión en evaluación de yacimiento 31

La principal conclusión es que, para ambos casos, los métodos BREG,
GWR, BKR obtuvieron resultados de desempeño (RMSE) del mismo
rango que los métodos IDW y OK, demostrando que los algoritmos
propuestos son eficaces para la construcción de modelos de bloques en
un yacimiento.
Para el caso simulado se concluye:
• BKR se destacó notoriamente al presentar los mejores resultados de
RMSE promedio, superando los resultados de los métodos BREG,
GWR, IDW e igualando los resultados de OK.
• BREG fue a su vez el método con la menor evaluación de desempeño,
discrepando en gran medida a la distribución de ley que se deseaba
obtener.
• GWR y BKR tienden a aumentar rápidamente el costo computacional
al aumentar el rango de los parámetros de cada algoritmo.

16-11-2020 Métodos de regresión en evaluación de yacimiento 32

La principal conclusión es que, para ambos casos, los métodos BREG,
GWR, BKR obtuvieron resultados de desempeño (RMSE) del mismo
rango que los métodos IDW y OK, demostrando que los algoritmos
propuestos son eficaces para la construcción de modelos de bloques
en un yacimiento.
Para el caso real se concluye:
• IDW fue el método de regresión con mejor resultado de desempeño
(RMSE) seguido por BKR, ambos métodos a su vez fueron los
algoritmos que tuvieron los costos computacionales más altos.
• Al agregar más información, en este caso los atributos discretos tipo
de roca y textura, influye positivamente en la evaluación de
desempeño de BREG, GWR, BKR.
• GWR y BKR son los métodos de regresión que lograron estimar los
menores valores de leyes.

16-11-2020 Métodos de regresión en evaluación de yacimiento 33

 Es fundamental continuar la investigación tomando las siguientes
recomendaciones:
• Analizar el comportamiento de los algoritmos GWR y BKR en la
construcción de modelos de bloques en un software que tenga
adaptados los métodos en 3D.
• Analizar el arrastre del error de estimación en los métodos BREG,
GWR y BKR en la construcción de un modelo de bloques.

16-11-2020 Métodos de regresión en evaluación de yacimiento 34