CF Elissetche PC

MODELAMIENTO DE RECURSOS DE UN YACIMIENTO
TIPO EXTICO

MEMORIA PARA OPTAR AL TTULO DE INGENIERO CIVIL DE MINAS

PEDRO NICOLS ELISSETCHE CORREA

PROFESOR GUA:
XAVIER EMERY

MIEMBROS DE LA COMISIN:
BRIAN TOWNLEY CALLEJAS
EDUARDO MAGRI VARELA

SANTIAGO DE CHILE
SEPTIEMBRE DE 2010

UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS
DEPARTAMENTO DE INGENIERA DE MINAS
i
RESUMEN

En la minera actual, la mayor parte de los proyectos mineros contempla una etapa de
exploracinyevaluacinderecursos.Secomienzaconunatomademuestras,comoloesunacampaa
desondajesparapoderinterpretarlaslitologasyalteracionespresentes,definirlaszonasmineralesms
relevantes y describir la distribucin de leyes de elementos de inters, de tal forma de llegar a un
modelodeevaluacindelyacimiento.
Para determinar el potencial econmico de un yacimiento existen herramientas y tcnicas
geoestadsticas de evaluacin y modelamiento de recursos tales como el kriging o la simulacin
condicional.Laprimerapermitehacerunaestimacininsesgadayprecisadelasleyes,obtenindoseun
modelo suavizado que no representa la variabilidad. La segunda posibilita realizar un estudio de la
incertidumbre de los valores involucrados en los atributos geolgicominerometalrgicos y tener
anlisisderiesgosaconsiderarparalatomadedecisiones.
Enestamemoria,seaplicansimulacionesgeoestadsticasparacuantificarlosrecursosminerales
deunyacimientopertenecienteaAntofagastaMineralsSA(AMSA),ubicadoenlaRegindeAntofagasta,
Chile, el cual ha sido interpretado, recientemente en diez dominios minerales y evaluado por kriging a
travs de informacin de sondajes. Utilizando un algoritmo de simulacin para variables categricas,
especficamente el algoritmo secuencial de indicador, se construye once modelos alternativos de
dominios minerales. Luego se utiliza un algoritmo de simulacin de variables continuas (secuencial
gaussiano) para obtener once modelos de bloques para leyes de cobre total y cobre soluble, cada uno
asociado con un modelo particular de dominios minerales. Se realiza la validacin comparando las
realizaciones con los datos originales, el modelo de kriging y el modelo geolgico interpretado.
Finalmenteseconstruyencurvastonelajeleyparacuantificarlosrecursosparadistintasleyesdecorte.
Considerando una ley de corte de 0.2% en cobre soluble, se obtiene para los modelos de
simulacionesque,enpromedio,hay53millonesdetoneladasconleymediadecobresolublede0.86%,
encontrasteconlos50millonesdetoneladasdeleymedia0.73%entregadasporelmtododekriging,
loqueentregaunadiferenciaaproximadade90.000toneladasdecobrefino.
As,existenzonasenelyacimientodondeladiferenciaentreelmodelodekrigingylosmodelos
simulados son relevantes. Debido a esto, es recomendable nuevas campaasde sondajesenfocadas en
estas reas para obtener informacin de mejor calidad que permita reducir la incertidumbre. Tambin
sera interesante considerar la mineralizacin de ganga como una de las variables a simular, para as
tenermodelospredictivosdelcomportamientodecadabloqueenlosfuturosprocesosmetalrgicos.
ii
ABSTRACT

Currently, most mining projects begin with an exploration stage and resource assessment. It
starts with a drill hole sampling campaign in order to interpret the lithologies, to define the most
important mineral areas and to describe the grade distribution of elements of interest.
Geostatisticaltoolsandtechniquesareavailableforevaluatingmineralresources,suchaskriging
orsimulation.Theformerprovidesanunbiasedestimateofmineralgrades,obtainingasmoothedmodel
thatdoesnotreproducethetruevariability.Thelatterallowsassessingtheuncertaintyin thevaluesof
the attributes involved in geologicalminingmetallurgical modeling (such as grades and lithologies) and
performingriskanalysisfordecisionmaking.
In this thesis, geostatistical simulation is applied to quantify the mineral resources in a deposit
locatedinthesecondregionofChileandownedbyAMSA(AntofagastaMineralsSA),whichhasalready
beeninterpretedintotenmineraldomainsandevaluatedbykrigingfromtheinformationofadrillhole
data base. Using a simulation algorithm for categorical variables, specifically the sequential indicator
algorithm, eleven alternative models of the mineral domains are constructed. Then, an algorithm for
simulating continuous variables (sequential Gaussian algorithm) is used to obtain eleven block models
for total copper and soluble copper grades, each one associated with a particular model of mineral
domains.Validationisdonebycomparingeachofthesimulationoutputswiththeoriginaldataandwith
the interpreted model of mineral domains. The gradetonnage curves are finally computed in order to
quantifytheresourcesatseveralcutoffgradesintheeconomicallymostinterestingmineraldomains.
Consideringacutoffgradeof0.2%insolublecopper,anaverageof53milliontonsisobtainedfor
the simulated models with a 0.86% average grade of soluble copper, whereas the 50 million tons with
0.73%averagegradeofsolublecopperaredeliveredbytheKrigingmodel.
Thereareareasofthedepositwherethedifferencesbetweenkrigingandsimulationmodelsare
relevant, so that it is recommended a new drilling campaign in these areas in order to get additional
information and to reduce uncertainty. In addition to the grade models, it would also be interesting to
consider the waste mineralization like another variable to simulate, to make predictive models of the
behaviorofeachblockinthefuturemetallurgicalprocesses.
iii
AGRADECIMIENTOS
A mi familia por el apoyo entregado a travs de toda la carrera y porque siempre estuvieron
presentes cuandolosnecesit. Especialmentemispadresporquenuncamepresionaron,yalcontrario,
me motivaron a travs de los aos y siempre me dieron la opcin de elegir. Incluyo tambin a mis
cuados,enespecialaPabloporayudarmeconelingls.TambinalaRositaporlapacienciaestosaos.
Amisamigosycompaerosdelauniversidadporquehicieronqueestecaminofueramsfcily
feliz,enestaimportanteetapademivida.
AConi,porquedesdeelprincipiofueparteimportantedeestetrabajoysiempremeapoyyme
ayudconsuexperiencia.
A mis amigos del colegio por los grandes momentos que hemos pasado estos aos y porque
siempremetuvieronpacienciacuandolediprioridadalauniversidadenvezdeaellos.
A los profesores de mi comisin, especialmente al profesor Xavier Emery por su excelente
disposicin, sus consejos y su paciencia para ensear, su ayuda en las traducciones, etc. Tambin
agradecerlascorreccionesaestamemoriajuntoalosprofesoresBrianTownleyyEduardoMagri.
Gracias tambin a los profesores del departamento de Ingeniera de Minas por estos aos de
aprendizajeydisposicin.
AJuanitaVergaraporsusimpatayayudaenlostrmitesenestosaoseneldepartamentode
IngenieradeMinas.
FinalmenteaAntofagastaMineralspordarmelasfacilidadesparalarealizacindeestamemoria
y porque siempre pusieron a mi disposicin la informacin necesaria. Especialmente a Esteban Acua
quemeacompaalolargodetodoelproyecto.
iv
NDICE
1INTRODUCCIN...........................................................................................................................................1
1.1Introduccin.........................................................................................................................................1
1.2Motivacin............................................................................................................................................2
1.3Objetivos..............................................................................................................................................2
1.3.1ObjetivoGeneral...............................................................................................................................2
1.3.2ObjetivosEspecficos.........................................................................................................................3
1.4Alcances................................................................................................................................................3
2ANTECEDENTES...........................................................................................................................................4
2.1ModelamientodeRecursosGeolgicos...............................................................................................4
2.1.1TiposdeYacimientos.....................................................................................................................6
2.1.2Unidadesgeolgicas......................................................................................................................6
2.2Conceptosbsicosdegeoestadstica...................................................................................................8
2.2.1FuncinAleatoria..........................................................................................................................8
2.2.2Momentos.....................................................................................................................................9
2.3MtodosdeEstimacinLocal...........................................................................................................10
2.4MtodosdeSimulacin.....................................................................................................................11
2.4.1Modelosdefuncionesaleatorias...............................................................................................13
2.4.2ModeloMultigaussiano(leyesminerales).................................................................................13
2.4.3ModelosdeVariablesCategricas(unidadesgeolgicas).........................................................14
2.4.4CriteriosdeValidacin...............................................................................................................15
3METODOLOGA.........................................................................................................................................17
4CASODEESTUDIO....................................................................................................................................22
4.1Presentacindelyacimiento.............................................................................................................22
4.2Presentacindelosdatos.................................................................................................................23
4.3Estudioexploratorio..........................................................................................................................25
4.4.ModelamientodeUnidadesGeolgicas..............................................................................................32
4.4.1AnlisisVariogrfico.......................................................................................................................34
4.4.2Probabilidadeslocalesdeocurrenciadeunidadesgeolgicas......................................................37
4.4.3SimulacinSecuencialdeIndicadores...........................................................................................39
4.5.Modelamientodeleyes........................................................................................................................44
v
4.5.1AnlisisVariogrfico.......................................................................................................................44
4.6.Procesamientoderesultados...........................................................................................................59
4.7ComparacinconModelodeKriging................................................................................................62
5CONCLUSIN............................................................................................................................................67
6REFERENCIAS............................................................................................................................................68
7ANEXOS....................................................................................................................................................69
Anexos1:ProbabilidaddeOcurrenciadeunidadgeolgica...................................................................69
CdigoMATLAB...................................................................................................................................72
Anexos2:SimulacindeLeyes................................................................................................................73
Anexos2.1:CdigoMATLAB:AsignacindeModelosdesimulacindeLeyesaModelodeUnidades
Geolgicas:..........................................................................................................................................73
Anexos 2.2: Cdigo MATLAB Transformacin de base de datos con unidad geolgica, cobre total y
cobresolubleyexportacindedatos:................................................................................................74
vi
NDICE DE ILUSTRACIONES
Figura1:IlustracindeDominiosgeolgicos.................................................................................................6
Figura2:IlustracindeAlteraciones..............................................................................................................7
Figura3:IlustracindeMineralogas.............................................................................................................7
Figura4:comparacindeperfiles,leyesreales,leyesestimadasporkrigingyleyessimuladas...............11
Figura5:Metodologa.DiagramadeFlujos................................................................................................21
Figura6:Ubicacindezonadeestudio......................................................................................................22
Figura7:Ilustracindelyacimiento.ZonasdexidosCrisocola,xidosNegros,Lixiviados,xidosVerdes
eHipgeno..................................................................................................................................................25
Figura8:Mapasdemuestrasdeexploracin.VistasIsomtrica,Planta,PerfilesEsteCotayPerfilNorte
Cota.............................................................................................................................................................26
Figura9:Histogramasdeleyesdecobretotalycobresoluble(sondajesnodesagrupados)....................28
Figura10:Histogramasdesagrupadosdeleyesdecobretotalycobresoluble.........................................28
Figura11:CurvasTonelajeLeyparalossondajesdesagrupados,paracobresolubleytotal....................29
Figura 12: Grfico de dispersin: cobre soluble vs cobre total. La recta en rojo representa la regresin
lineal............................................................................................................................................................30
Figura13:Grficodedispersin:cobreinsolublevscobresoluble............................................................31
Figura14:ModeloGeolgicodeterminstico,VistaPlanta(construidoporAMSA)...................................32
Figura15:ModeloGeolgicodeterminstico,VistaPerfilEsteCota(construidoporAMSA)...................32
Figura16:ModeloGeolgicodeterminstico,VistaPerfilNorteCota(construidoporAMSA)..................33
Figura17:Variogramasexperimentalesymodeladosparaestrilymineraleslixiviados.........................35
Figura18:Variogramasexperimentalesymodeladosparamineralhipgenoyparciallixiviado..............36
Figura19:Variogramasexperimentalesymodeladosparamineralessuprgenosymixtos.....................36
Figura20:Variogramasexperimentalesymodeladosparaxidosverdesyxidoscrisocola...................36
Figura21:Variogramasexperimentalesymodeladosparaxidosnegrosylixiviadosconcobre.............37
Figura22:Imagenprobabilidaddeocurrenciadeestril...........................................................................38
Figura23:Imagenprobabilidaddeocurrenciademineraleslixiviados......................................................38
Figura24:ModelodeBloquesdeterminstico.VistaPlanta(EsteNorte)..................................................39
Figura25:ModelodeBloquesprobabilstico,realizacinn1.VistaPlanta(EsteNorte)..........................40
Figura28:ModelodeBloquesdeterminstico.VistaPerfiles(NorteCotayEsteCota)............................41
Figura29:ModelodeBloquesprobabilstico,realizacinn1.VistaPerfiles(NorteCotayEsteCota)....42
Figura 32: Variogramas experimentales y modelados para xidos verdes (Cobre insoluble y cobre
soluble)........................................................................................................................................................45
Figura 33: Variogramas experimentales y modelados para xidos crisocola (Cobre insoluble y cobre
soluble)........................................................................................................................................................46
Figura34:ModelosdeleyespuntualesparaunidadgeolgicaLixiviados.VistasenPlantaCobreinsoluble
ySoluble......................................................................................................................................................46
vii
Figura 35: Modelos de leyes puntuales para unidad geolgica xidos Verdes. Vistas en Planta Cobre
insolubleySoluble......................................................................................................................................47
Figura 36: Modelos de leyes puntuales para unidad geolgica xidos Crisocola. Vistas en Planta Cobre
Figura 37: Modelos de leyes rebloqueadas para unidad geolgica Lixiviados. Vistas en Planta Cobre
Figura38:ModelosdeleyesrebloqueadasparaunidadgeolgicaxidosVerdes.VistasenPlantaCobre
Figura 39: Modelos de leyes rebloqueadas para unidad geolgica xidos Crisocola. Vistas en Planta
CobreinsolubleySoluble............................................................................................................................48
Figura40:Modelosdebloquessimulados(Sim1).VistasenPlanta,cobresolubleytotal........................49
Figura43:PromedioSimulaciones.VistasenPlanta,cobresolubleytotal...............................................50
Figura44:VistasKriging.VistasenPlanta,cobresolubleytotal................................................................50
Figura45:Modelosdebloquessimulados(Sim1).VistasPerfilEsteCota,cobresolubleytotal..............51
Figura48:PromedioSimulaciones.VistasPerfilEsteCota,cobresolubleytotal......................................52
Figura49:VistasKriging.VistasPerfilEsteCota,cobresolubleytotal......................................................52
Figura50:Modelosdebloquessimulados(Sim1).VistasPerfilNorteCota,cobresolubleytotal............52
Figura53:PromedioSimulaciones.VistasPerfilNorteCota,cobresolubleytotal...................................53
Figura54:VistasKriging.VistasPerfilNorteCota,cobresolubleytotal....................................................54
Figura55:HistogramasSondajesdesagrupados.Cobresolubleycobretotal,xidosVerdes..................56
Figura56:Histogramassimulacin1.Cobresolubleycobretotal,xidosVerdes....................................56
Figura59:HistogramasSondajesdesagrupados.Cobresolubleycobretotal,xidosCrisocola...............57
Figura60:Histogramassimulacin1.Cobresolubleycobretotal,xidosCrisocola................................58
Figura63:CurvaTonelajeLey(cobresoluble)paratodoelyacimiento.....................................................59
Figura64:CurvaTonelajeLey(cobresoluble)paralazonadexidosVerdes...........................................60
Figura65:CurvaTonelajeLey(cobresoluble)paralazonadexidosCrisocola.......................................61
Figura66:CurvaTonelajeLey(cobresoluble)paralazonadexidosVerdes...........................................63
Figura67:CurvaTonelajeLey(cobresoluble)paralazonadexidosCrisocola.......................................64
Figura68:CurvaTonelajeLey(cobresoluble)paraeltotaldelyacimientosimplificado...........................65
viii

NDICE DE TABLAS
Tabla1:InventariodeSondajes..................................................................................................................23
Tabla2:Estadsticasbsicasdelosdatosnodesagrupados,separadosporunidadgeolgica.................27
Tabla3:Estadsticasbsicasdelosdatosdesagrupados,separadosporunidadgeolgica.......................27
Tabla4:CantidaddeBloquesyporcentajesparacadaunidadgeolgica..................................................34
Tabla5:Parmetrosdeclculodevariogramasexperimentales...............................................................35
Tabla6:Validacinsimulaciones.Proporcionesdeunidadesgeolgicasenlassimulaciones...................44
Tabla7:Parmetrosdeclculodevariogramasexperimentales...............................................................45
Tabla8:ValidacindeSimulacionesrespectoaSondajesdesagrupados.Casocobresoluble..................54
Tabla9:ValidacindeSimulacionesrespectoaSondajesdesagrupados.Casocobretotal......................55
Tabla10:ValidacindeSimulacionesrespectoalmodelodeKriging.Casoscobresolubleytotal...........55
Tabla11:RangosTonelajes,Leyesmediasycantidaddemetal.Totaldelyacimiento,casoCuS..............60
Tabla12:RangosTonelajes,Leyesmediasycantidaddemetal.xidosVerdes,casoCuS.......................61
Tabla13:RangosTonelajes,Leyesmediasycantidaddemetal.xidosCrisocola,casoCuS....................62
Tabla13:RangosTonelajes,Leyesmediasycantidaddemetal.xidosCrisocola,casoCuS....................62
Tabla14:RangosTonelajes,Leyesmediasycantidaddefinomodelossimulados(simplificados)ymodelo
kriging.xidosVerdes,casoCuS.................................................................................................................63
Tabla 15: Rangos Tonelajes, Leyes medias y cantidad de metal modelos simulados (simplificados) y
modelokriging.xidosCrisocola,casoCuS...............................................................................................64
Tabla16:RangosTonelajes,Leyesmediasycantidaddemetalmodelossimuladosymodelokriging.Total
Yacimiento,casocobresoluble...................................................................................................................66
1
1 INTRODUCCIN
1.1 Introduccin
Lagrandemandaglobaldemetalesestosltimosaoshaprovocadounfuerteaumentoen
lospreciosdeestos,permitiendolaaperturayexistenciademltiplesproyectosentodoelmundoyen
particular en pases mineros como Chile. Estos desafos requieren de mayor precisin cada da, que se
garantice a los inversionistas la recuperacin de su capital al menor plazo. Para lograrlo se necesita
comenzar con modelos mineros, en particular del yacimiento estudiado, que cuantifiquen cada uno de
susatributosdelamejormaneraposible,tantoparaleyesdeelementosdeinters,litologaspresentes,
caractersticasgeometalrgicas,entreotros.
Comnmente despus de la etapa de exploracin se realiza una evaluacin de recursos, a
partir de la toma de muestras, como por ejemplo, una campaa de sondajes. Una vez obtenida, se
cuantifica los atributos presentes considerando adems su ubicacin espacial. Posterior a esto, es
comnqueseutilicentcnicasgeoestadsticasdeestimacinomodelamientoderecursos,talescomoel
kriging,elcualconsisteenunainterpolacindedatosquesueledarunaimagensuavizadadelarealidad
del yacimiento, o simulaciones, las que basadas en la teora de funciones aleatorias buscan crear
escenariosverosmilesquereproducenlavariabilidadespacialdelosatributosdeintersdelyacimiento.
Seimpone quelosvaloresconocidosenlossitiosdemuestreoseanreproducidosenestosmodelos,es
ascomosehabladesimulacincondicional.
Dada su simpleza es lgico que la herramienta kriging sea ms utilizada en la industria hoy
en da. Sin embargo las simulaciones condicionales han ganado espacio gracias a los avances
tecnolgicos que permiten tener resultados en menor tiempo, adems de que por sus caractersticas
otorgan otro tipo de informacin que el kriging, como lo son los estudios de la variabilidad de los
atributos,losanlisisderiesgosodeincertidumbre,entreotrosaspectos.
Un factor importante de estudiar y sobretodo en yacimientos de minerales exticos, es la
influencia de las distintas mineralogas en los valores de leyes, los lmites entre estas unidades y la
incertidumbre que se tiene en los tonelajes, pues es donde se encuentra actualmente el mayor error
entrelasestimacionesylosresultadosobtenidosenlaexplotacinmisma.
2
De este modo es de bastante utilidad simular las unidades geolgicas, adems de las leyes
presentes de un yacimiento. Para ello, se puede utilizar la simulacin secuencial de indicadores, en la
cualsecodificaenvariablebinariacadaunadelasunidadesgeolgicas.Asimismo,paralasimulacinde
variablescontinuas,enparticularlasleyesminerales,sesueleemplearelmodelomultigaussiano,elcual
corresponde a un modelo de funcin aleatoria caracterizado por una distribucin espacial
multigaussiana. A partir de estos, se pretende caracterizar la variabilidad espacial de leyes, as como
cuantificar la cantidad y calidad de recursos considerando adems la incertidumbre presente en las
unidadesgeolgicas.
Este trabajo pretende reproducir algunos atributos geolgicos de un yacimiento tipo extico
ubicado en las cercanas de Sierra Gorda en la Regin de Antofagasta, el cual es parte de un proyecto
queseencuentraensufasedeingenieradeperfilyhasidoestudiadosloconmtodosconvencionales.

1.2 Motivacin

Esnecesariounrespaldo,mediantesimulaciones,delosmodeloscreadosenbaseamtodosde
estimacinporkriging.
Los mtodos de estimacin en la actualidad no proporcionan la informacin necesaria para
describir adecuadamente el comportamiento de los atributos de inters, tales como leyes, en los
yacimientos mineros, debido a que entregan valores suavizados que no reproducen la variabilidad
espacialdelosvaloresreales.
Adems, siendo el yacimiento en cuestin de tipo extico, tiene que estudiarse en detalle los
lmitesdeunidadesgeolgicas,dadasurelevanciaencuantoalascaractersticasgeometalrgicas.
1.3 Objetivos
1.3.1 Objetivo General
El objetivo general de este trabajo consiste en modelar la incertidumbre en los recursos de un

yacimientotipoextico.
3
1.3.2 Objetivos Especficos
Dentrodelosobjetivosespecficosseencuentran:
Modelarincertidumbreenlasunidadesgeolgicas.
Modelarincertidumbreenleyesdecobretotalycobresoluble.
Validarlosmodelosdeincertidumbre.
Determinarcurvastonelajeley.
Compararmodelosconvencionales(krigingymodelogeolgico)vssimulaciones.

1.4 Alcances
Se dispone de una base de datos perteneciente a una campaa de sondajes de un yacimiento

ubicado en la Regin de Antofagasta, Chile. Este yacimiento es de tipo prfido cuprfero rodeado de
mineralizacin extica, y se ha estimado utilizando el mtodo kriging de indicadores para sus unidades
geolgicas y kriging ordinario para sus leyes de cobre total y cobre soluble, tenindose as tambin un
modelodebloques.
El estudio considera la evaluacin de los recursos de cobre total y cobre soluble utilizando
simulacin condicional, en este caso con el modelo multigaussiano. Se tomar el algoritmo secuencial
dado su rapidez. Adems se considerarn especialmente las variables geolgicas que es donde se
encuentra la mayor incertidumbre, por lo que se deber definir los lmites entre nueve unidades
geolgicas.
Se realiza una simplificacin de la zona del yacimiento a modelar, tomndose las zonas con
mayor variabilidad como prioritarias y dejndose de lado zonas profundas de mineralizacin primaria.
Estodadoeltiempodeclculoylaimposibilidadtcnicadelmanejodedatos.
Aunque se tienen anlisis de compuestos consumidores de cido como lo son: CO3, aluminio
soluble,clorosoluble,entreotros,losensayosdeconsumodecidoyanosehacendebidoaquenose
hanobtenidobuenosresultados.
2 ANTECEDENTES
2.1 Modelamiento de Recursos Geolgicos
Actualmente los yacimientos que afloran a la superficie son muy escasos, resultando la
interpretacingeolgicamuchomscomplejadadaladificultaddeobtenerinformacin.
Las tomas de muestras se realizan utilizando sondajes, estos consisten en perforaciones de
pequeo dimetro y gran longitud (hasta 1.200 m), que se efectan para alcanzar zonas inaccesibles
desde la superficie. Las tcnicas ms utilizadas en la actualidad son la perforacin con recuperacin de
testigos (diamantina) y la recuperacin del detrito (aire reverso). Para la primera, se utiliza una tubera
engastada en diamantes en la punta o corona, obtenindose un cilindro de roca de un dimetro entre
dosycincopulgadas.Asimismolasegundaserealizaconunaherramienta(tricono)quevatriturandola
roca,laquepermiteobtenertrozosdehasta1cm.
Las muestras obtenidas a partir de los sondajes generalmente se extraen a distinto soporte, es
decir, se obtienen los datos medidos para muestras de distintos tamaos, por lo que es necesaria una
etapa de compositacin, en la que se fija un tamao determinado, para no mezclar compsitos de
distintossoportesquenoseanconcordantesentres.Engenerallascaractersticasmedidasson:
Litologas
Alteraciones
Leyesdemineralesdeinters
Porcentajesdeimpurezas
Recuperacionesmetalrgicas
Densidades.
A partir de estas caractersticas, es posible crear modelos analizando las plantas y secciones de los
yacimientos, agrupando tendencias de datos, en donde se generan interpretaciones espacialmente
consistentes, acorde a la conceptualizacin geolgicagentica del yacimiento, entre otras
caractersticas. De este modo, se pueden crear triangulaciones o slidos tridimensionales que respeten
las interpretaciones en secciones, plantas e interceptos de sondajes. Esto es recomendable para
caracterizar volmenes en cuerpos de geometra compleja. Asimismo es posible crear modelos
geolgicos en que por ejemplo, se agrupen zonas por concentraciones de leyes econmicas o por
litologasyalteracionesqueconstituyanunidadesgeolgicas,comoseveenestecasoenestudio.
5
Entrelasdificultadesquesepuedenencontrarestn:
Tipodelmitespresentes:duros,blandos,transicionales
Incertidumbreenlaextensindelasunidades
Incoherenciasentredatosymodelogeolgicointerpretado
Discretizacinenbloques(ej.:paravetasangostas)
El estudio variogrfico es una herramienta bsica utilizada por los gelogos y geoestadsticos que
permitetenerunaintegracinentrelageologayestadstica.Entresusprincipalesfinalidadesestlade
confirmarladistribucindeleyesinterpretadaatravsdelageologa.
Otro de los temas relevantes es la optimizacin de la malla de muestreo, tpico que ha sido
estudiado mucho tiempo por gelogos y geoestadsticos. Se debe tener en consideracin si es que la
informacindisponibleesdeexploracin,esdecir,sindatosmuestreadospreviosdisponibles,casoenel
quese debe partircon unagrillamuy grandeeirrellenandostaapartirde lainformacingeolgicay
devariogramas.Ademstambinsedebedistinguirentrelaexploracinenlascercanasdeunaminao
lugar explorado previamente. As se puede considerar distintos tamaos de grillas para ver la que se
ajustamejorparalaexploracin.Tambinesposibleaplicarsimulacionescondicionalesparavercules
la precisin de las mediciones de las caractersticas de inters como tonelaje recuperable, contenido
metlico,leyesmedias,entreotrosparmetros.
Laeleccindelosdominiosounidadesgeolgicasesotrodelostemasrelevantesaconsiderar.
Estosdominioscorrespondenazonasestadsticaygeolgicamentehomogneas.Sedistingueentredos
tiposdedominios:
Dominios definidos por geologa: Con bordes duros, basados en el criterio geolgico como
litologa,mineraloga,entreotros.Estosdominiosnonecesariamenteestncorrelacionadoscon
las leyes. A travs del estudio variogrfico se puede reagrupar los dominios que muestran
comportamientossimilaresytransicionesgradualesenlasleyes.
DominiosdefinidosporLeyes:Utilizadosparadiferenciarentreloqueesmineralylastre.

2.1.1 Tipos de Yacimientos
Existendistintostiposdeyacimientosdefinidoscomnmenteporsusprocesosgeolgicos,entre
loscualesdestacaremos,dadalaimportanciaenesteestudio,losprfidoscuprferosylosyacimientos
demineralessuprgenos.
PrfidoCuprfero:Depsitodebajaleydecobrequesiempreestasociadoastocks,peropuede
estar en esquistos, calizas silicificadas y rocas volcnicas. Los minerales cuprferos tpicamente
estn en granos diseminados y/o en vetillas en un gran volumen de roca, superior en algunos
casos a las 1000 millones de toneladas con leyes de cobre entre 0.5 y 1%, adems de otros
metales.
YacimientosExticos:Depsitosoriginadospormigracinlateralasociadaaprfidoscuprferos.
Generalmente producto del proceso de enriquecimiento secundario que ha afectado a los
sistemasporfricosexhumadosenambientesridosasemiridos.Lamineralizacindexidosde
cobre generalmente ocurre cementando gravas aluviales y en menor grado recubriendo los
planosdefracturasdelasrocasbasalesdondedescansanestasgravas.
2.1.2 Unidades geolgicas
Los volmenes en donde las variables a estudiar tienen un comportamiento que tiende a la
homogeneidad se definen como Unidades Geolgicas (UG). Estos dominios abarcan mltiples
caractersticas a considerar, tales como litologas, alteraciones, mineralizaciones, estructuras,
caractersticasmetalrgicas,entreotrasvariables.
Figura1:IlustracindeDominiosgeolgicos.
7
Figura2:IlustracindeAlteraciones.
Figura3:IlustracindeMineralogas.
Para determinar las zonas minerales debe existir una interpretacin geolgica, en donde haya
una conceptualizacin gentica y fenomenolgica del yacimiento en estudio, adems de considerar el
ordendeeventosdemineralizacin.
Losdominiosgeolgicosdeestimacinsedebenagrupardeacuerdoacaractersticasgeolgicas
relevantes(dependiendo elusoqueseledaralmodelo),ademssedebetomarencuentaelnmero
de datos razonable para inferir los parmetros estadsticos de la poblacin y los perfiles de contacto
entre unidades, es decir, el comportamiento de las variables consideradas al cruzar una frontera
geolgica.
Unodelosproblemasmscomunesalosquesevenenfrentadoslosgelogoseingenierosesa
ladiferenciaentrelosvaloresestimadosyrealesenloscontactosentredominios,estodebidoaquelas
fronteras modeladas comnmente son ms suaves que las reales. Para reducir esta incertidumbre se
debe verificar la consistencia entre la informacin estimada/modelada y los datos disponibles. Adems
8
se pueden realizar ms sondajes focalizados para tener ms y mejor informacin. Otra alternativa es
considerardistintosescenarios,yaseadefinidosporelgelogooporsimulacionesestocsticas.
2.2 Conceptos bsicos de geoestadstica
LaGeoestadsticasedesarrolloriginalmenteparadeterminarlarelacinrecurso/reservadeun
yacimientomineral.Sedefinecomolaaplicacindelateoradevariablesregionalizadas,queconsiste
en un enfoque estadstico a la estimacin que presenta algn grado de dependencia espacial entre las
variables,enparticularleyes,delosdepsitosminerales.
Dependenciaespacialserefiereaquelasvariables(leyes)medidasparadosmuestrascercanas
sonprobablementesimilares.Enzonasdealtasleyes,debiesenserambosdealtaleyyenzonasdebajas
leyes,anlogamenteambosdebiesenserdebajaley.
Las variables regionalizadas consisten en una funcin numrica que represente un atributo en
cada ubicacin en el espacio. Es difcil determinarlas completamente y con exactitud dada su
variabilidad. Comnmente se denota como z(x) a un valor de la variable regionalizada, dado x como la
posicinenelespacio.Lasleyesdemineralessonunejemplodevariableregionalizada.
2.2.1 Funcin Aleatoria

Unafuncinaleatoriaesunadescripcinprobabilsticadeladistribucinespacialdeunavariable
regionalizada. Es un medio til en la geoestadstica ya que incorpora el concepto de componentes
aleatoriosyestructuradosalavariabilidadespacialdelavariable,comoporejemplolaley.
Se interpreta cada valor de la variable regionalizada z(x) como una realizacin de una variable
aleatoriaZ(x).Elconjuntodevariablesaleatorias{Z(x),xR
3
}constituyeunafuncinaleatorialaquese
caracterizaporunadistribucinespacial.Dadoungrupodepuntos(x
1
,,x
n
):
v n N*
v z
1
,,z
n
R,v x
1
,,x
n
DR3
F(z
1
,,z
n
;x
1
,x
n
)=Prob(Z(x
1
)<z
1
,,Z(x
n
)<z
n
)
Existen algunas hiptesis simplificadoras que son utilizadas para determinar la distribucin
espacial.Estasson:
Hiptesisdeestacionaridad:Ladistribucinespacialesinvarianteportraslacinenelespacio,lo
que quiere decir que se asume cierta homogeneidad en las propiedades de la variable
regionalizadadentrodeldominio.
Hiptesis de Ergodicidad: Es posible hacer una aproximacin de las esperanzas matemticas
(mediassobrelasrealizaciones)porunpromedioenelespacio.
2.2.2 Momentos
Los momentos son parmetros sintticos que resumen la distribucin espacial de una funcin
aleatoria.Losmomentosmsrelevantesson:
Esperanza:Engeneral,laEsperanzadeunafuncinaleatoriaZdependedelpuntoxconsiderado.
Se denomina usualmente como m(x) ya que representa la media alrededor de la que se distribuyen los
valoresdelasdistintasrealizaciones.
E[Z(x)]= m(x)
Varianza:LavarianzaesunamedidadedispersindelavariablealeatoriaZ(x)entornoalvalor
esperado.Asimismoseutilizaladesviacinestndarquecorrespondealarazcuadradadelavarianza.
var[Z(x)]= E{[Z(x)m(x)]
2
}
Covarianza:Lacovarianzaesunamedidadedispersinconjuntadedosvariablesaleatorias.
cov[Z(x
1
),Z(x
2
)]=E[Z(x
1
)xZ(x
2
)]m(x
1
)xm(x
2
)
Variograma:Elvariogramaesunaherramientaquepermiteanalizarelcomportamientoespacial
de una variable sobre un rea definida, obteniendo como resultado la dispersin entre dos datos a
diferentesdistancias.
(x
1
,x
2
)=var[Z(x
1
)Z(x
2
)]/2
El variograma es la principal medida de similitud utilizada con fines geoestadsticos, entre otras cosas
permite detectar direcciones de anisotropa, variabilidad con la distancia, correlacin espacial, entre
otros aspectos. Bajo la hiptesis de estacionaridad, la esperanza y la varianza son constantes (no
10
dependen del punto x), mientras que la covarianza y el variograma slo dependen de h=x
1
x
2
(vector
separandodospuntos).
2.3 Mtodos de Estimacin Local
Existen distintos mtodos que buscan predecir el valor de la variable regionalizada utilizando
para ello los datos circundantes. Asimismo es posible predecir el valor promedio de la variable en un
soportemayorqueelsoportedelosdatos(porejemplo,losbloquesdeseleccinminera).
Entre las metodologas ms comunes de estimacin, se encuentran: estimador del vecino ms
cercano, inverso de la distancia y kriging. Este ltimo resulta ms preciso que los otros, dado que
minimizaelerrordeestimacin.
El trmino Kriging se aplica a un rango de mtodos de estimacin (puntual o de bloques) que
dependendelaminimizacindeloserroresdeestimacin,definidoscomnmenteporelprocedimiento
de mnimos cuadrados. Se conoce como el mejor estimador lineal insesgado, o por su sigla BLUE (Best
LinearUnbiasedEstimator).Estoestdadoporlassiguientesrestricciones,
Linealidad:Estimadoresunacombinacinlinealdelosdatosubicadosenunavecindad.
Insesgo:Elvaloresperadodelerrordebesercero.
MejorEstimador:Elobjetivoesminimizarlavarianzadelerrorcometidoenlaestimacin.
A diferencia de los estimadores tradicionales, considera no slo la configuracin geomtrica de
datos, sino tambin su continuidad espacial (variograma). Tambin cuantifica la precisin de la
estimacinapartirdelavarianzadekriging.
Entre los distintos mtodos que se incluyen en el trmino general Kriging, destacan el kriging
simple (media conocida), kriging ordinario (media desconocida) y el kriging de indicador (para variables
categricas).Lasprincipalespropiedadesdelkrigingson:
InterpolacinExacta:Laestimacindeunsitiocondatoobtieneelmedidoenesesitio.
Redundancia: El kriging tiene en cuenta la redundancia de los datos. Muchos datos agrupados
tienencasielmismopesoqueundatoenelcentrodeesteagrupamiento.
Suavizamiento:Ladispersindelosvaloresestimadosesmenorqueladispersindelosvalores
verdaderos.Estoestdadoporquelospromediosobtenidosparacadaestimacintiendenasub
estimarvaloresaltosyasobreestimarvaloresbajos(porregresin).
11
Insesgo:Elkrigingesinsesgadoanivelglobal,sinembargopuedecontenersesgocondicional,el
cual se ve reducido tomando muchos datos en la vecindad de kriging, sin embargo aumenta la
suavizacin.
La Varianza de Kriging slo depende de la configuracin geomtrica de los datos y su continuidad
espacial.Noconsideralosvaloresdelosdatos,porloquenosereflejaelllamadoefectoproporcional,es
decir,nosereflejalamayordispersinqueocurregeneralmenteenzonasdealtasleyes.
2.4 Mtodos de Simulacin
Los mtodos de Simulacin entregan otro espectro del problema y permiten corregir alguna de las
deficienciasanterioresalahorademodelarlavariableregionalizada.
Simulacin en contexto minero significa imitacin de condiciones. Generalmente involucra un
intento de crear un arreglo de valores que reproducen la misma variabilidad real que la variable
regionalizada, as se tienen las mismas caractersticas estadsticas generales que los datos originales
(reproduccin de histograma, variograma, entre otros). La figura 2 expone un ejemplo de la diferencia
entre el kriging y una realizacin. Si bien ni el kriging ni la simulacin en este caso son convincentes
respectoalarealidad,claramentelasimulacindacuentadelavolatilidadadiferenciadelkriging.

Figura4:comparacindeperfiles,leyesreales(negro),leyesestimadasporkriging(rojo)yleyessimuladas(verde).
Laideadesimularsebasaenlageneracindeunaseriederealizacionesdeunamismafuncin
aleatoria, esto, siguiendo la lgica de que la variable regionalizada es una realizacin ms de esta
12
funcin.Cadaunaesunescenarioposibleypermitetenerunaideadelarealidadademsderealizarla
cuantificacindelaincertidumbre.
Es importante tener en cuenta por qu las simulaciones son necesarias cuando los datos y las
estimaciones existen. Entre otros usos, es posible por ejemplo, estudiar los escenarios ms y menos
favorables, hacer anlisis de riesgos y cuantificar incertidumbre en los valores desconocidos. Tambin
permite a diferencia del kriging, estimar sin sesgo funciones no lineales sobre la variable, por ejemplo:
recursosrecuperablessobreunaleydecorte.
Sedistinguendostiposdesimulaciones:
Simulacincondicional:reproducelavariabilidaddelavariableregionalizadayademsrespeta
suvalorenlospuntosmuestreados,loqueentregaunaimagenrealista.
Simulacin no condicional: reproduce la variabilidad de la variable regionalizada sin tomar en

cuentalosdatosmuestreados(nolosimpone).
Seconsideranlossiguientesobjetivosparalasimulacin:
Elestudiodelacontinuidaddeleyes
Fronterasentreunidadesgeolgicaseincertidumbreensuposicin
Optimizacindelosplanesdemuestreoparaexploracinavanzada
Evaluacindemtodosdeestimacinderecursos/reservas
PlanificacinMinera
OptimizacindeMolienda
Anlisisderiesgofinanciero
Enresumen,losaspectosaconsiderardelproblemadesimulacincondicionalson:
Definirunmodelodefuncinaleatoria
Tenerherramientasparainferirsusparmetrosyvalidarlos
Construirrealizaciones
Condicionarlasrealizacionesalosdatosdisponibles
13
2.4.1 Modelos de funciones aleatorias
Existendostiposdeenfoquesparasimularfuncionesaleatorias:eldelosmodelosparamtricos
ynoparamtricos.
Los modelos no paramtricos buscan crear imgenes cuyas propiedades se asemejen a las
observadas con los datos disponibles (histograma, variograma, variogramas de indicadores), sin
especificar totalmente la funcin aleatoria. Un ejemplo es el algoritmo secuencial de indicadores. A
veces pueden presentar inconsistencias matemticas, en casos en que las propiedades de las
realizaciones dependan de factores externos, como por ejemplo el nmero total de sitios simulados, la
configuracingeomtricadelosdatos,entreotros.
Paralosmodelosparamtricos,lafuncinaleatoriaquedadeterminadaporunnmeropequeo
deparmetros.Elmodelomsutilizadoeselmodelomultigaussiano,enesteladistribucinespacialque
caracterizalafuncinaleatoriaquedadeterminadacompletamenteapartirdelamediadelosdatosyde
sufuncindecovarianzaosuvariograma.
Para casos no multigaussianos, el desarrollo de modelos paramtricos ha sido muy escaso, solo
siendo utilizado para el modelamiento de variables categricas, como son los casos de los modelos
plurigaussianoybooleano.
2.4.2 Modelo Multigaussiano (leyes minerales)
Se requiere transformar los datos originales a valores que tengan un histograma gaussiano
estndar, con media igual a cero y varianza uno (aunque se puede imponer una varianza distinta). Este
paso se denomina anamorfosis gaussiana. La principal hiptesis del modelo se basa en que los datos
transformados siguen una distribucin multigaussiana. Esto significa que toda combinacin lineal
ponderadadesusvaloressigueunadistribucinnormal.
El modelo posee dos propiedades interesantes, entre las cuales se tiene que se caracteriza por
susdosprimerosmomentos(mediayvariograma)ademsdequeelteoremadelmitecentralfacilitala
bsquedadelalgoritmodesimulacin,ademsproducemodelosdiseminados.Entrelaslimitacionesdel
modelo se encuentra que no reproduce patrones como conectividad, anisotropas locales ni
agrupamientodevaloresextremos.
Entrelosalgoritmosdesimulacinusadoshabitualmenteseencuentraelmtodosecuencial,de
descomposicin matricial (LU), espectral continuo y el de bandas rotantes. Los dos primeros mtodos
14
permiten tener simulaciones condicionales directamente. Para los otros se generan simulaciones no
condicionales,luegoseaplicaunkrigingparacondicionarlasaunconjuntodedatos.
Mtodo Secuencial Gaussiano
El algoritmo consiste en simular el valor en un sitio a partir de su distribucin condicional a los

datosdurosyvaloressimuladospreviamenteenpuntosprximos.
Elprocedimientogeneraleselsiguiente:
1. Seleccionarunconjuntodedatoscondicionantes.
2. Transformardatoscondicionantesenresultadosequivalentesnormales.
3. Desarrollarmodelosdevariogramasparalosdatostransformados.
4. Procederconlasimulacinsecuencialgaussiana.
5. TransformacinInversa.
6. Validarlasimulacin.
2.4.3 Modelos de Variables Categricas (unidades geolgicas)
Lasvariablesindicadorespermitencodificaratributoscategricosodiscretos,comoporejemplo
lasunidadesgeolgicas,litologas,umbralesdeleyes,etc.Entrelosmodelosymtodosdesimulacinse
encuentran:
ModeloGaussianotruncado
Modeloplurigaussiano
Mtodojerrquico
Mtodosecuencialdeindicadores
Mtodo Secuencial de Indicadores
Este algoritmo no requiere una distribucin gaussiana de datos, y usa kriging de indicadores
mltiples.Elprocedimientoessimilaralanterior,sinembargotienealgunasdiferencias:
1. Seleccionardatoscondicionantes
15
2. Seleccionar umbrales (UG, leyes de corte, litologas) y transformar a variable indicador (0

1)
3. Desarrollarvariogramasmodeladosparacadaindicador
4. Procederconlasimulacinsecuencial (DeutschandJournel,1998)
5. Validarlassimulaciones
Enestecaso,lasimulacinseleccionaalazarsitiosconkrigingdeindicadoresmltiples(MIK)usando
losdatosoriginalesypuntoscercanosyasimulados.Seseleccionaunnmeroaleatorioentre0y1yse
simulalosindicadoresenelsitiodeintersapartirdeladistribucinestimadaapartirdeMIK.
Se puede utilizar una vecindad mvil para tomar slo los datos circundantes que tienen ms
influencia. Se puede utilizar tambin las medias locales de cada indicador, que representan una
probabilidadapriorideocurrenciadelasdistintascategoras.Lasumadeestasprobabilidadesdebeser
igual a 1 y slo se tendr probabilidad de ocurrencia mayor que 0 en los dominios que estn
presentesenestavecindad.

2.4.4 Criterios de Validacin
Existe ms de un criterio de validacin de los distintos algoritmos de construccin de

realizaciones, estudiando en primera instancia la reproduccin en las realizaciones de las propiedades
estadsticasdelosdatosduros.
Serequierequeunnmeroconsiderablederealizacionestiendaaasemejarsealmodeloterico.
Unarealizacinenspresentadiscrepanciasconrespectoaestemodelo,estodebidoalasfluctuaciones
estadsticas.
Segn distintos autores, para validar una simulacin como mnimo se debe cumplir con lo
siguiente.
1. Reproduccindevaloresdedatosconocidos(condicionamiento).
2. Distribucinestadsticadeatributosdeinters.
3. Continuidadespacialcaracterizadaporelmodelodevariograma.
Asmismosedebeseguirlossiguientescriterios:
16
InspeccinVisual
Esnecesarioverificarquehayaconcordanciadedatos,esdecirzonasdealtasleyesparasectoresde
datosmuestreadosdealtasleyesyanlogamenteensectoresdebajaley.Existenherramientascomola
validacincruzadaquepermitencomparargrficamentelosvaloressimuladosconlosvaloresrealesde
basesdedatosdeexploraciones.Sepuedeversiexistesesgoglobalocondicional.
ReproduccindelHistograma
La distribucin univariable o el histograma debe tener caractersticas similares que el histograma
originaldesagrupadodelosdatos.
Se debe revisar la concordancia de las estadsticas principales como la media, mediana y varianza.
Ademssedebereproducirlaformadelhistogramaymantenerlosrangosdevaloresextremos.
Paratodaslasrealizacionesseesperaqueelpromediodelasmediastiendaalamediaobjetivo,aligual
quelamediadelasvarianzastiendaalavarianzaobjetivo.
ReproduccindelosVariogramas
Se puede hacer una comparacin entre el modelo terico y los variogramas experimentales de las
realizaciones.

17
3 METODOLOGA
El trabajo encargado por la empresa Antofagasta Minerals (AMSA) y que es tema de esta
memoria, consiste en una aplicacin prctica de geoestadstica en un yacimiento extico, en la que se
simulalasleyesdecobretotalycobresolubletomandoencuentalainfluenciadelosdistintosdominios
geolgicos presentes, los cuales tambin son simulados, a partir de un conjunto de datos reales
muestreados (sondajes). Estas simulaciones son comparadas con un modelo de kriging proporcionado
por la empresa como base, que adems cuenta con informacin del dominio geolgico estimado por
krigingdeindicadoresparacadaunodesusbloques.
Acontinuacinsedescribenlosprincipalespasosdelametodologaaseguir:
Anlisisdelabasededatos:
Estudio de los parmetros presentes: Identificadores de Sondajes, coordenadas UTM, largo de
compsitos,variablesgeolgicasmuestreadas,entreotras.
Se establece objetivos con la empresa (AMSA). Considerando la existencia de poca informacin
de algunos elementos de inters, tales como leyes de oro, plata y de algunas impurezas, entre
otros, se selecciona de la base de datos las variables ms relevantes a estudiar, descartndose
partedelainformacindadosupocainfluencia.Deestemodo,setomaencuentalossiguientes
parmetros: coordenadas (informacin espacial), unidades geolgicas, leyes de cobre total y de
cobresoluble,entreotros.
Considerandoqueestabasededatosfueproporcionadaporlaempresa,seasumecomoexactos
losvalorespresentes.
Desplieguededatos:
Despliegue de datos de los sondajes para identificar tendencias en leyes y unidades geolgicas
presentes.
Desplieguedelmodelogeolgicoydekrigingproporcionadosporlaempresa,serealizancortes
en plantas y secciones del yacimiento. Se identifican las variables de mayor inters,
principalmenteunidadesgeolgicasconmayoresleyesdecobretotalycobresoluble.
Estudioexploratorio:
Tieneporobjetodescartardatosaberrantesyduplicados,esdeciraquellosquenoestnenlos
rangos habituales de valores, o que se encuentran espacialmente demasiado cercanos como
paraconsiderarsedistintos.
18
Serealizaundesagrupamientodelosdatosparacorregirelmuestreoirregular.
Se realiza el clculo de las estadsticas bsicas en base a los datos de sondajes, esto para
identificarlosrangosdeleyesparacadaunidadgeolgicaademsdelasdesviacionesestndary
medias de leyes de cobre total y soluble, todo con el objeto de determinar los dominios ms
interesantes desde el punto de vista econmico y, si es posible, hacer una simplificacin de los
modelos,descartandozonasdepocointerseconmicoytcnico.
SimulacindeUnidadesGeolgicas:
Seanalizalosdistintostiposdesimulacindevariablescategricas.Principalmenteseconsidera
lasimulacinplurigaussianaademsdelasimulacindeindicadores.Considerandoladificultad
deejecutarlasimulacinplurigaussiana,debidoalaexistenciademltiplesvariables,seeligela
simulacindeindicadores.
Se toma cada una de las nueve unidades geolgicas adems de la unidad considerada como
estrilysetrasformalosdatosavariableindicador,esdecirconvalores0siesquenoexistela
unidad 1 en el caso en que exista. Una vez realizado esto, se tienen diez bases de datos
correspondientes a las nueve unidades geolgicas y al estril, todas con los datos de unidad
geolgicacodificados.
Se efecta el anlisis variogrfico para determinar las direcciones de anisotropa y para
establecerlosmodelosdevariogramasqueseutilizarnparalaconstruccindesimulacionesde
indicadores.
Para la simulacin de indicadores, se analiza los distintos programas eligindose la aplicacin
SISIM_LMdeGSLIB(Deutsch&Journel,1998).
Se construye una vecindad mvil a partir del modelo geolgico interpretado, de manera de
acotar a un conjunto de datos cercanos las probabilidades de existencia de las unidades
minerales. Es decir, cada bloque a simular toma en cuenta la informacin de los bloques
circundantes del modelo geolgico, disminuyndose la posibilidad de tener un modelo muy
voltil sin relacin con el modelo interpretado. Se toma en cuenta distintas alternativas para
tamaosdevecindad.
Encadabloque,unaunidadgeolgicatendrasociadaunaciertaprobabilidadentre0y1de
ocurrencia(promediodelasocurrenciasdelosbloquescircundantesenelmodelointerpretado).
Lasumadelasprobabilidadesdelasunidadesgeolgicasdebeser1.
Se mantiene la proporcin en peso de las unidades geolgicas establecidas en el modelo
interpretado, asumiendo que no hay sesgo. Esto se toma como entrada en el programa
SISIM_LM.
19
Seconstruyenrealizacionesinicialescomoprueba ysepresentanalosgelogosdelaempresa,
una vez determinada las dimensiones ideales de la vecindad se da paso a la construccin del
restodelasrealizaciones.
Validacin:
Una vez obtenidas las realizaciones de unidades geolgicas, se hace una validacin previa a la
etapadesimulacindeleyesdecobretotalycobresoluble.Estaconstade:
Una inspeccin visual de los modelos simulados y la aceptacin por parte de los gelogos que
respaldanesteestudio.
Lareproduccindehistogramas.
IndependenciadeVariablesaSimular:
Para comenzar con la etapa de simulacin secuencial gaussiana de leyes de cobre total y cobre
soluble,lacualserealizautilizandoelprogramaSGSIMdeGSLIB,primeroseindependizalasvariables
asimular.Dadoqueelcobresolublesiempreesmenoroigualqueelcobretotal,esindispensable que
lassimulacionescumplanconestacondicin.Deestemodoserealizaelsiguientecambiodevariable,
CuI = CuI - CuS
Endonde,
CuI = Cobrc insolublc (Cobrc no Solublc).
CuI = Cobrc Iotol.
CuS = Cobrc Solublc.
Dado que el cobre insoluble es independiente del cobre soluble, y teniendo en cuenta que el
cobretotalespordefinicinlasumadeambos,seprocedeconlasimulacin.
Simulacionesdeleyesdecobresolubleycobreinsoluble:
Seconsideralasimulacindeunidadesgeolgicashechapreviamente.
Sepretendesimularmodelosdeleyesdecobresolubleycobreinsolubledelmismotamaoque
los modelos de unidades geolgicas para cada una de los diez dominios. Es decir, se realizan
veinte simulaciones para la construccin de cada realizacin que incluya las simulaciones de
cobresoluble,cobreinsolubleylasunidadesgeolgicascorrespondientes.
Sehaceunaeleccindelalgoritmodesimulacinautilizar.
PararealizarlassimulacionesmultigaussianascondicionalesseutilizaelprogramaSGSIM.
SellevaacabolatransformacingaussianamedianteelprogramaNSCOREdeGSLIB.
20
Se procede con el anlisis variogrfico de los datos gaussianos y el modelamiento de los

variogramas
SerealizalasimulacindeleyesmedianteelprogramaSGSIMdeGSLIB.
ConstruccindeBasesdeDatos:
Una vez obtenidas las simulaciones, se ejecuta un programa desarrollado en MATLAB, el cual
tomatodasestasrealizacionesydeacuerdoalassimulacionesdeunidadesgeolgicas,paracadabloque
conunidaddeterminada,tomaelcdigodeUGyeligeculdelasbasesdedatosdeleyescorresponde,
cadaunapertenecienteaunaunidadyaunadelasdosleyes.Estoserealizaparacobresolubleycobre
insoluble.
El mismo programa determina el cobre total, como la suma del cobre soluble ms el insoluble,
tenindose los modelo de bloques completos con coordenadas UTM, unidades geolgicas, leyes de
cobretotalydecobresoluble.Pararealizarestosehaceelsiguientecambiodevariable(inverso),
CuI = CuI - CuS
Endonde,
CuI = Cobrc insolublc (Cobrc no Solublc).
CuI = Cobrc Iotol.
CuS = Cobrc Solublc.
Finalmentesevalidadeacuerdoalosmismoscriteriosusadosparalasimulacindeindicadores
de unidades geolgicas, luego se analizan los resultados obtenidos, estudindose las realizaciones
comparando las medias, histogramas, curvas tonelajeley y rangos obtenidos para las zonas ms
interesantes.
Acontinuacinsepresentaeldiagramadeflujoquemuestrademanerasimplificadacadaunade
lasetapasdelametodologautilizada.

21
Figura5:Metodologa.DiagramadeFlujos.
Datos de Unidades
Geolgicas (UG) a
partirdeSondajes.
Indicadores
Modelogeolgico
interpretado
DatosdeLeyesde
CuSyCuTapartir
desondajes.
Mediaslocales
deIndicadores
Cobresoluble/
Cobreinsoluble
Variogramas
Transformadas
gaussianasporUG
Simulacinsecuencial
deindicadores
Realizaciones
deUG
Simulacindeleyes
(Cobresoluble/Cobre
insoluble)porUG
simulada
CombinacindeUGs
Modelocompletodel
yacimiento
ClculodeleydeCobre
total.
CuT=CuS+CuI
ClculodeRecursos
Construccinde
CurvasTL
Validacinde
Realizaciones
ModelodeKriging
otorgadoporAMSA
Comparacin
Modelos
22
4 CASO DE ESTUDIO
4.1 Presentacin del yacimiento
La zona estudiada en este trabajo, se encuentra ubicada a unos 60 km al sur de la ciudad de

Calama, al Noreste del yacimiento Esperanza, en la comuna de Sierra Gorda, Regin de Antofagasta,
Chile.
Figura6:Ubicacindezonadeestudio.
El rea corresponde a una zona cubierta por gravas y flujos aluviales donde existe un intrusivo
diorticoconxidosdecobreyvaloresentre0.20.3%Cu.
23
Antofagasta Minerals realiz un levantamiento magnetomtrico terrestre sobre el rea

confirmando algunas anomalas ya detectadas en estudios anteriores por lo que se propuso una
campaa de perforacin en el ao 2007 (10 pozos aire reverso/4350 m) ejecutada durante enero y
febrero de 2008. Su resultado incluy la intercepcin de un sistema tipo prfido en una zona oxidada
significativa.
Entre enero y abril del 2009 fueron perforados 29.676 metros, con lo que se completa un total
de52.123metrosdesondajes,tomandoencuentalascampaasrealizadashastaesafecha.Posteriora
estoserealizamsde19.000mdesondajesparaSulfurosydescartetotalizndose71.959mperforados.
Lasiguientetabla(Tabla1)muestralacantidadymetrosperforados.
Tabla1:InventariodeSondajes
Los sondajes, que corresponden a muestras de aire reverso y diamantina, se usaron para
interpretar 30 secciones cada 50 m y 13 plantas cada 30 m. Con las secciones se construy un modelo
3D,elqueasuvez,juntoalasmuestras,eslabasedelestudiogeoestadsticoquesellevaacabo.
4.2 Presentacin de los datos
La base de datos proporcionada para realizar este trabajo cuenta con 297 sondajes
compositadosa2metros,coninformacinde:
Collares
Desviaciones
Leyesdecobretotal
Leyesdecobresoluble
24
Leyesdeoro
Leyesdeimpurezas(talescomoCO3,NO3,CIS,AIS,FeS,MnSyMgS)
Recuperacionesmetalrgicas
Densidades
Mapeosdelitologa
Tipoymineralesalternacinmineralizacin
Labasededatosfuerevisadaafinesde2009encuantoaconsistenciaeintegridaddelosdatos
decoordenadas,desviaciones,leyesymapeosnuevosehistricos.Paraestosecomparlainformacin
digitalconlosdatosdurosalmacenados.
Tambin se cuenta con un modelo geolgico interpretado del yacimiento, el cul trae
informacin suavizada de las 10 unidades geolgicas delimitadas y que se utilizar como base para la
realizacindelasimulacindeindicadores.
Por ltimo se tiene una estimacin realizada por Kriging para las zonas de mayor relevancia
econmicadelyacimiento,tantoparacobretotalcomocobresoluble.
La definicin de unidades de estimacin proviene del anlisis geolgicoestadstico de la
combinacindeunidadesdelitologaalteracinmineralizacin.Enesteyacimientoenparticularyenel
alcancedeestetrabajo,setratadeunniveldeoxidadosdecobreenunsistemadeprfidocuprferoen
dondehaydosambientesprincipales,lazonadelprfidoconmineralizacindeatacamitabrochantita
(zonadebajaley)ylazonadeskarnconcrisocolaespangolita(zonadealtaleyconncleodemuyalta
ley).Noobstanteestageneralizacin,ambaszonasmineralessetraslapanunaalaotra.Adems,existen
niveles de oxidados negros semejantes en cobre total a los oxidados verdes pero con mayor
insolubilidad. La Alteracinmineralizacin hidrotermal y litologa, con certeza, determinan el
comportamientoyconcentracindecobre,elcualquedadefinidoconprecisinconeldelineamientode
lazonamineral,talcualseapreciaenlailustracin.
25
Figura7:Ilustracindelyacimiento.ZonasdexidosCrisocola(OXC),xidosNegros(OXN),Lixiviados(LIX),xidosVerdes
(OXV)eHipgeno.
Dentro de las unidades geolgicas presentes se destacan los xidos crisocola, zona de mayor
inters, adems, los xidos verdes, xidos negros, los minerales mixtos y minerales suprgenos poseen
leyesdecobretambindestacables,sinembargolostresltimoscontienenmenoscobresoluble,porlo
cualsehaceladistincinentreestasunidades.Elrestosonloslixiviados,lixiviadosconcobreyelmineral
hipgeno,esteltimomedidoconmuypocodatoscomoparatenerloenconsideracin.
4.3 Estudio exploratorio
Labasededatoscorrespondeavariascampaasdesondajesdeexploracinquecontieneleyes
decobretotal,cobresolubleyunidadesgeolgicas,lacualseproyectaenunreade2.500x2.500x500
metros en las coordenadas Este, Norte y Cota. Los collares estn dispuestos en una grilla regular, sin
embargo la zona de xidos presenta mayor densidad de muestreo. La mayor parte de los sondajes son
verticales,aunqueexistenalgunossondajesinclinadosenlaszonasmsapartadas(bordesdelmodelo).
Estossondajeshansidocompositadoscada2metros.
La base de datos entregada ha sido sometida a controles de calidad por parte de AMSA, por lo
queseasumequesonmuestrasconvaloresexactos.
26
Figura8:Mapasdemuestrasdeexploracin.VistasIsomtrica(Izq.arriba),Planta(der.arriba),PerfilesEsteCota(izq.abajo)
yPerfilNorteCota(der.abajo).(Escala:Leydecobretotal).
Serealizaunestudioprevioparadeterminarlaexistenciadedatosaberrantesoduplicadosque
pudiesen inducir a errores. Dado que existen valores demostrados de leyes de cobre total y soluble del
orden de 30%, se considera aberrante un dato sobre 50%, entendiendo que este es un yacimiento con
zonasdeleyesdecobremuyaltas.Ademsnoseconsideranlossiguientesdatos:
Quenocontenganelvalordecobretotal.
Quenocontenganelvalordeunidadgeolgica
Quecontengancobretotalmenorquecobresoluble(seconsideradatoerrneo)
Tomando en cuenta lo anterior, se descartan los datos que tengan alguna de las condiciones
anteriores (menos del 0.1%). Respecto a los datos duplicados, considerndose estos datos a una
distanciamenora40cmdeotro,noexisteninguno.
27
Se desagrupan los datos de sondajes con el objeto de corregir los posibles sesgos debido al
muestreo irregular. Para esto se utiliza el mtodo de las celdas, el cual divide las malla muestreada en
paraleleppedos del mismo volumen y asigna ponderadores a cada dato dependiendo cuantos hay en
cadacelda.Seutilizanceldasde50x50x30m
3
.
Es posible as determinar las estadsticas bsicas para los datos desagrupados, considerando la
existenciadelosnuevedominiosgeolgicosdistintos.EnlaTabla2sepresentanlasestadsticasbsicas
para los datos de sondajes. En la Tabla 3 se presentan las estadsticas bsicas para los sondajes
desagrupados:
Tabla2:Estadsticasbsicasdelosdatosnodesagrupados,separadosporunidadgeolgica.
CUT CUS
Datos
NDatos Min Max Media D.S Min Max Media D.S
(%) (%) (%) (%) (%) (%) (%) (%)
MinealesLixiviados
1407 0.00 1.16 0.09 0.10 0.00 1.15 0.06 0.07
MineralHipgeno
5441 0.00 2.84 0.19 0.21 0.00 2.68 0.15 0.16
MineralParcial
Lixiviado
846 0.00 2.01 0.21 0.22 0.00 1.90 0.06 0.13
MineralSuprgeno
241 0.04 1.57 0.35 0.24 0.00 0.71 0.08 0.11
Mixto
366 0.01 8.59 0.32 0.53 0.01 8.45 0.20 0.48
xidosVerdes
3139 0.00 19.56 0.42 0.69 0.00 18.95 0.34 0.63
xidosCrisocola
1417 0.01 30.70 2.85 4.20 0.01 30.70 2.62 4.11
xidosNegros
530 0.02 2.39 0.36 0.33 0.01 2.02 0.19 0.26
LixiviadosconCobre
193 0.02 0.72 0.19 0.16 0.01 0.55 0.08 0.08
Estril
15019 0.00 5.55 0.04 0.12 0.00 5.23 0.04 0.10
TOTAL
28599 0.00 30.70 0.47 0.53 0.00 30.70 0.28 0.44
Tabla3:Estadsticasbsicasdelosdatosdesagrupados,separadosporunidadgeolgica.
CUT CUS
Datosdesagrupados
NDatos Min Max Media D.S Min Max Media D.S
(%) (%) (%) (%) (%) (%) (%) (%)
MineralesLixiviados
486 0.00 1.16 0.17 0.13 0.00 1.15 0.07 0.10
MineralHipgeno
583 0.04 2.17 0.34 0.34 0.00 0.35 0.02 0.03
MineralParcialLixiviado
558 0.00 2.01 0.27 0.24 0.00 1.90 0.06 0.15
MineralSuprgeno
202 0.11 1.57 0.37 0.25 0.00 0.59 0.05 0.07
Mixto
278 0.10 8.59 0.41 0.59 0.01 8.45 0.24 0.55
xidosVerdes
2698 0.03 19.56 0.48 0.73 0.00 18.95 0.39 0.67
xidosCrisocola
1372 0.10 30.70 2.95 4.24 0.01 30.70 2.71 4.15
xidosNegros
480 0.06 2.39 0.39 0.33 0.01 2.02 0.20 0.27
LixiviadosconCobre
139 0.10 0.72 0.24 0.16 0.01 0.55 0.08 0.09
Estril
1398 0.00 5.55 0.12 0.29 0.00 5.23 0.06 0.24
TOTAL
8194 0.00 30.70 0.77 1.10 0.00 30.70 0.62 1.01
28
Rpidamente es posible darse cuenta de que los dominios de xidos Verdes y Crisocola son los
demayorintersdadolacantidaddedatospresentesencomparacinalresto.Ademsseobservaque
sonlasunidadesquepresentanmayoresleyesmediasparacobretotalycobresoluble.Enparticularlos
xidos crisocola presentan una alta volatilidad lo que es indicador de zona de altas leyes, adems de la
existenciadeleyesmediassobreel2.5%decobre.
A continuacin se muestra las distribuciones de leyes de cobre total y cobre soluble para los
sondajesoriginalesyparalossondajesdesagrupados.
Figura9:Histogramasdeleyesdecobretotalycobresoluble(sondajesnodesagrupados).
Figura10:Histogramasdesagrupadosdeleyesdecobretotalycobresoluble.
29
Lascurvastonelajeleyparalosdatosdesagrupadossonlassiguientes:
Figura11:CurvasTonelajeLeyparalossondajesdesagrupados,paracobresolubleytotal.

Cercadeun30%deloscompsitostienenambosdatosdecobretotalycobresoluble.Sibienlos
valores de cobre total existen en la base de datos para todas las ubicaciones, existen muchos datos
faltantesdecobresoluble.Estosseestimanmedianteunaregresinlineal.Estaregresinserealizadado
quelacorrelacinexistenteentreestasdosvariablesesdel99,2%.
La regresin se construye imponiendo que para los casos en que cobre total es 0,se obtenga
cobresoluble0paraevitarerrores.
Se obtiene la ecuacin Cobrc Solublc (CuS) = u.9429 - Cobrc Iotol (CuI) y se completan
los valoies faltantes.
Si bien se pouiian iealizai estimaciones ue cobie soluble a paitii uel cobie total paia caua
una ue las uniuaues geologicas (a tiavs ue iegiesiones lineales inuepenuientes), lo que
eviuentemente mejoiaiia la piecision, se iealiza la simplificacion geneial, sienuo los uominios ue
sulfuios los ms peijuuicauos (menoi coiielacion entie cobie total y cobie soluble). Si bien afecta
los iesultauos, estos uominios son ue menoi inteis economico.

30
Figura12:Grficodedispersin:cobresolublevscobretotal.Larectaenrojorepresentalaregresinlineal.
Del grfico anterior se ve una relacin bastante lineal entre el cobre total y cobre soluble.
Ademsesimportantetenerencuentaqueelcobresolubleesmenoroigualalcobretotal.
Dado que es necesario simular estas dos variables, y tenindose presente la restriccin de
desigualdad, es necesario hacer un cambio de variables para no tener problemas como una simulacin
queentregueleyesdecobresolublemayoresquecobretotal.
Deestemodoseeligesimularlasleyesdecobresolubleycobreinsoluble,dondeesteltimoes
estadsticamenteindependientedelcobresoluble.Porlotantosehaceelsiguientecambiodevariable:
CuI = CuI - CuS
31
Elsiguientegrficomuestraquenoexistecorrelacinalgunaentreestasdosvariables.
Figura13:Grficodedispersin:cobreinsolublevscobresoluble.
Luego de simular los valores independientes de cobre soluble y cobre insoluble, se realiza el
cambiodevariableinversoparaobtenerlosvaloresdecobretotal,queseredefinircomolasumadelas
dos variables simuladas. Dado que el cobre insoluble es mayor o igual que cero, todos los valores de
cobretotalsernmayoresoigualesquelosdecobresoluble(quetambinesmayoroigualacero).
CuI = CuS + CuI
No hay que olvidar que este yacimiento tiene nueve dominios geolgicos distintos definidos
ademsdelestril,porloquenosepuedesimularlasleyesasumiendoqueexistesloundominioyque
en los lmites de cada unidad no hay discontinuidades. Deben realizarse las simulaciones de unidades
geolgicas y para cada dominio por separado deben realizarse las simulaciones de cobre insoluble y
cobresoluble.
32
4.4. Modelamiento de Unidades Geolgicas.
Adems de los sondajes, para realizar la simulacin de dominios se cuenta con el modelo
geolgico suavizado y un modelo determinstico (kriging) de leyes construido para zonas aisladas (de
mayorimportanciaeconmica)delyacimiento,ambosentregadosporAMSA.
Figura14:ModeloGeolgicodeterminstico,VistaPlanta(construidoporAMSA).
Figura15:ModeloGeolgicodeterminstico,VistaPerfilEsteCota(construidoporAMSA).
33
Figura16:ModeloGeolgicodeterminstico,VistaPerfilNorteCota(construidoporAMSA).
Dado la dificultad de realizar las simulaciones tanto de unidades geolgicas como de leyes,
debido a la gran cantidad de datos y la incapacidad computacional para procesarlos, se hace una
simplificacindelmodeloasimular.Paraesto,nosetomanencuentagranpartedelosdatosdemineral
hipgeno presentesenla basedelyacimiento,90 metrosqueno representan muchainformacin dado
laexistenciademuypocossondajesagranprofundidad.Tampocoseconsideranlosdatosdeestrilque
rodean a las unidades geolgicas que se encuentren a ms de 25 m de distancia de los dominios
presentes en el borde del yacimiento. Si bien se elimina gran parte del mineral hipgeno y estril del
modelo original (Modelo geolgico interpretado), siguen existiendo zonas significativas con ambas
unidadesminerales.
Deestemodoseobtieneunareduccinimportantededatos,porloquesehacemsfactiblela
reproduccindemsrealizacionesynosetomenencuentavaloresquenotienengranrelevancia.
Sibien,aprioriparecieraqueestasimplificacindisminuyelarelevanciadeestosmodelos,enla
actualidadlaszonasdescartadasnorepresentanmayorintersparalosestudiosqueseestnllevandoa
cabo.Elmineralhipgenorecinestsiendomuestreadoconmayorprecisinylamayorincertidumbre
se encuentra en los contactos entre unidades geolgicas, los que siguen estando presentes y son
modeladosenesteestudio.
Eldetalledelacantidaddebloquesparacadadominiopresenteenelmodelogeolgicosedaa
conocerenlasiguientetabla:
34
Tabla4:CantidaddeBloquesyporcentajesparacadaunidadgeolgica.
PorcentajedecadaUG
Bloques %
Estril 275,325 62.50
Lixiviados 18,677 4.24
Hipgeno 102,362 23.24
Lix.Parcial 9,203 2.09
Suprgeno 1,200 0.27
Mixto 1,403 0.32
x.Verdes 24,656 5.60
x.Crisocola 5,384 1.22
x.Negros 1,799 0.41
Lix.ConCobre 487 0.11
Total 440,496 100
Lasdimensionesdecadabloquesonlassiguientes:
DimensinEsteOeste:12.5metros.
DimensinNorteSur:12.5metros.
DimensinCota:7.5metros.
4.4.1 Anlisis Variogrfico
Para comenzar con el anlisis variogrfico se debe hacer una transformacin de datos de
unidades geolgicas a variable indicador. Esto se realiza para cada unidad geolgica por separado
tenindosenuevebasesdedatosdistintas.
Se construyen los mapas variogrficos para cada unidad geolgica, determinando que las
anisotropasencontradas se pueden representar en dos variogramas, uno horizontal omnidireccional y
otrovertical.
Luegoseprocedeaconstruirlosvariogramasexperimentalesdeindicadoresparacadadominio,
conelpropsitodemodelarlacontinuidadespacialdecadaunodeellos.
35
As,porejemplo,paraelclculodelvariogramadeindicadorsetomarlosiguiente:
1siesx.Verde.
x.Verde=
0sino.(paratodoelrestodelasUG)
Sedefinenlossiguientesparmetros:
Tabla5:Parmetrosdeclculodevariogramasexperimentales
Acimut Tolerancia
Angular
Dip Tolerancia
Dip
Nmerode
Pasos
Largode
Paso[m]
DireccinHorizontal 0 90 0 22.5 40 4
DireccinVertical 0 90 90 22.5 40 4

Se toman algunas alternativas de largo de paso, finalmente se elige largo de paso de 4 metros
dado que aumenta el suavizamiento del variograma para el caso vertical. Dado que los sondajes son
verticales (en su mayora), es lgico que los variogramas sean bastante menos difusos que para la
direccin horizontal, debido a que a lo largo del sondaje hay mayor continuidad que entre distintos
sondajes.
Acontinuacinsemuestralosvariogramasexperimentalesdeindicadoresgeneradosparatodas
las unidades geolgicas, adems se despliegan los modelamientos de cada uno. Para esto se utilizan
modelosanidadosesfricosyexponenciales.
Las lneas punteadas corresponden a variogramas experimentales y las lneas continuas a
variogramasmodelados.Elcolorazulrepresentaladireccinverticalyelnegroladireccinhorizontal.
Figura17:Variogramasexperimentalesymodeladosparaestrilymineraleslixiviados.
36
Figura18:Variogramasexperimentalesymodeladosparamineralhipgenoyparciallixiviado.
Figura19:Variogramasexperimentalesymodeladosparamineralessuprgenosymixtos.
Figura20:Variogramasexperimentalesymodeladosparaxidosverdesyxidoscrisocola.
37
Figura21:Variogramasexperimentalesymodeladosparaxidosnegrosylixiviadosconcobre.
Adems de distinguirse una diferencia clara entre los variogramas horizontales y los verticales,
respecto a la variabilidad, se tiene tambin la existencia de unidades minerales que presentan mayor
continuidadqueotras.
4.4.2 Probabilidades locales de ocurrencia de unidades geolgicas.

Antes de realizar la simulacin de indicadores, se construye una vecindad mvil a partir del
modelo determinstico. El objetivo es acotar slo a los datos circundantes, las probabilidades de
ocurrencia de una unidad geolgica. Esto se realiza para tener un modelo no muy voltil, que tenga
relacinconelmodelogeolgicointerpretado.
Enlospuntossimulados,cadaunidadgeolgicatieneunaprobabilidadentre0y1deocurrir,
dependiendoesta,dequeunidadesgeolgicaspredominen.
Se proponen dos alternativas de vecindad, la primera es de 11x 11 x 11 bloques, es decir se
toman un cubo de 1331 bloques para calcular las probabilidades de ocurrencia de cada dominio,
tenindoseunamatrizdeprobabilidades.
Laotraalternativapropuesta,yquefueendefinitivalaquemejorrepresentloesperadoporlos
gelogosacargodelproyecto,fueunavecindadde7x7x5bloques,enquesetomaunparaleleppedo
recto que abarca 245 bloques para calcular las probabilidades de ocurrencia de cada dominio. Esta
alternativafuemsacertadaencuantoalavolatilidadesperadadadolosestudiosgeolgicos.
Se despliegan las siguientes imgenes que muestran una planta con la probabilidad de
ocurrenciadedosdelasunidadesgeolgicasestudiadas.
38
Figura22:Imagenprobabilidaddeocurrenciadeestril.
Se aprecia claramente que la probabilidad de ocurrencia de estril es 1 en los lugares en que
no existe presencia de otra unidad geolgica, luego acercndose a la zona con dominios distintos, la
probabilidaddeserestrilbajahastallegara0alcentrodelyacimiento,enqueesmuyprobableque
nohayaningnbloqueidentificadocomoestrilentrelos245bloquescircundantes.
En la siguiente imagen se despliega el mismo mapa de probabilidad pero para la unidad
geolgicademineraleslixiviados.Lasimgenesrestantessepresentanenlosanexos.
Figura23:Imagenprobabilidaddeocurrenciademineraleslixiviados.
A diferencia de la imagen de estril, la probabilidad de ocurrencia de minerales lixiviados es
mayor al centro del yacimiento y se torna 0 en los bordes, dado que no existen bloques de este
dominio.
39
ElmodelodeVecindadseprogramutilizandoelsoftwareMatlab.Enlosanexosseencuentra
elcdigodeprogramacin.
4.4.3 Simulacin Secuencial de Indicadores
La simulacin secuencial de indicadores se ejecuta utilizando el software sisim_lm de GSlib.

Adems de utilizar el modelo de probabilidades locales creado en la seccin anterior, se utiliza las
proporciones globales de unidades geolgicas establecidas en el modelo interpretado, asumiendo
inexistenciadesesgo.Tambinutilizalosmodelosdevariogramacreadosparacadaunadelasunidades
geolgicas.
Seconsideraqueestasrealizacionesdebenreproducirlosiguiente:
Datosdesondajes.
Variogramasdeindicador,esdecir,continuidadgeolgica.
Imgenessimilaresalmodelogeolgico,esdecir,unidadesgeolgicasycontactosentreellas.
En total, se construyeron 11 realizaciones de unidades geolgicas. A continuacin se muestran

algunasimgenesderealizacionesjuntoconelmodelogeolgicootorgadocomobasepararealizar
lacomparacin:
Figura24:ModelodeBloquesdeterminstico.VistaPlanta(EsteNorte)
40
Figura25:ModelodeBloquesprobabilstico,realizacinn1.VistaPlanta(EsteNorte)
41
AdemssemuestranlasimgenesdeperfilesNorteCotayEsteCotaparalosmismosmodelos.
Figura28:ModelodeBloquesdeterminstico.VistaPerfiles(NorteCotayEsteCota)
42
Figura29:ModelodeBloquesprobabilstico,realizacinn1.VistaPerfiles(NorteCotayEsteCota)
43

Lo primero que se realiza para determinar la coherencia entre las realizaciones creadas y el
modelo interpretado es notar si existe relacin entre la ubicacin de los dominios, lo que se reproduce
con bastante claridad en cada una de las realizaciones. Adems es importante notar lo voltiles que se
hacen los contactos entre las unidades geolgicas. Esta volatilidad es posible reducirla disminuyendo la
vecindad tomada, sin embargo visualmente estas realizaciones fueron validadas por los gelogos del
proyecto.
Estasrealizacionesreproducenademslosdatosdesondajesdelabasededatos.Acontinuacin
semuestralareproduccindelasproporcionesparatodaslasunidadesgeolgicas.
44
Tabla6:Validacinsimulaciones.Proporcionesdeunidadesgeolgicasenlassimulaciones.
ProporcionesUG
UG
Modelo
Geolgico Sim1 Sim2 Sim3
Mediatotal
Simulaciones
DiferenciaMedia
Simvs.Modelo
Geolgico
[%] [%] [%] [%] [%] [%]
Estril 62.50 63.25 63.05 62.98 62.68 0.28
Lixiviados 4.24 4.26 4.35 4.80 4.44 4.74
Hipgeno 23.24 22.29 22.71 22.60 22.82 1.79
ParcialLixiviado 2.09 2.05 1.92 1.74 1.89 9.39
Suprgeno 0.27 0.27 0.35 0.36 0.30 11.14
Mixto 0.32 0.30 0.28 0.25 0.29 9.88
xidosVerdes 5.60 5.79 5.52 5.35 5.75 2.73
xidosCrisocola 1.22 1.16 1.14 1.23 1.18 3.83
xidosNegros 0.41 0.43 0.43 0.49 0.44 7.35
LixiviadosconCu 0.11 0.19 0.26 0.21 0.20 83.92

Se aprecia que las diferencias entre la media de simulaciones (correspondiente al total de las
simulaciones) y el modelo geolgico no son significativas, exceptuando el dominio de Lixiviados con
cobre, en donde hay una diferencia importante de casi 84%. Esto se debe a que ese dominio es
demasiado pequeo en comparacin a los restantes, y por lo tanto no es de mayor importancia. Para
todos los dems dominios, las diferencias son muy poco significativas, por lo que las realizaciones se
considerancorrectasynoseapreciasesgo.
4.5. Modelamiento de leyes
4.5.1 Anlisis Variogrfico
Porcadasimulacindeunidadesgeolgicassedebenrealizardieciochosimulacionesdeleyes,es
decir, para cada uno de los nueve dominios hay que simular las leyes de cobre soluble y de cobre
insoluble.
Lo primero que se realiza es tomar las bases de datos desagrupadas, separarlas por unidad
geolgica,ydespusdividirentreloqueescobresolubleycobreinsoluble.
ParacadaunadelasbasesdedatosporseparadosedeberealizarlaAnamorfosisGaussiana.Los
datosoriginalestienenunhistogramaasimtrico,elcualesincompatibleconunadistribucingaussiana
yunmodelomultigaussiano.Porestemotivo,serequierehacerunatransformacindedatos,paraque
45
tengan una distribucin gaussiana de media 0 y varianza 1 (aunque puede suponerse una varianza
distinta,porejemplo,asumiendounmodelomodificadoconmedio0yvarianza1.4).
Para esto se utiliza el programa NSCORE de GSlib, con el cual se obtiene un archivo con las
coordenadas y los valores transformados gaussianos. Obteniendo lo anterior se pueden calcular los
variogramasexperimentalesatravsdelprogramaGAMVdeGSlib.
Seutilizanlossiguientesparmetros:
Tabla7:Parmetrosdeclculodevariogramasexperimentales.
Acimut Tolerancia
Angular
Dip Tolerancia
Dip
Nmerode
Pasos
Largode
Paso[m]
DireccinHorizontal 0 90 0 22.5 40 4
DireccinVertical 0 90 90 22.5 40 4

Acontinuacinsemuestranalgunosdelosvariogramasexperimentalesdedatosgaussianospara
algunasunidadesgeolgicasenparticular.Ademsdelosvariogramasexperimentales,sedesplieganlos
variogramas modelados. Al igual que en el caso anterior, se utilizan los modelos anidados esfricos y
exponenciales.Elcolorazulrepresentaladireccinverticalyelnegroladireccinhorizontal.
Figura32:Variogramasexperimentalesymodeladosparaxidosverdes(Cobreinsolubleycobresoluble).
46
Figura33:Variogramasexperimentalesymodeladosparaxidoscrisocola(Cobreinsolubleycobresoluble).
Las simulaciones de leyes se hacen para un soporte puntual, en donde los puntos estn a una
distancia de 6.25 metros entre s para las direcciones esteoeste y nortesur y a una distancia de 3.75
metrosparalacota.Seutilizaestesoporteparadarmsdetallealassimulaciones.Unavezobtenidoslos
modelossehaceunrebloqueoabloquesdedimensionesde12.5x12.5x7.5metroscomosetienepara
elmodelodeterminsticodeunidadesgeolgicas.
A continuacin se despliegan imgenes para soporte puntual de simulaciones para distintas
unidadesgeolgicas.Hayquetenerpresentequecadaimagenasumequetodoelyacimientopertenece
aestaunidad.
Figura34:ModelosdeleyespuntualesparaunidadgeolgicaLixiviados.VistasenPlantaCobreinsolubleySoluble
47
Figura35:ModelosdeleyespuntualesparaunidadgeolgicaxidosVerdes.VistasenPlantaCobreinsolubleySoluble
Figura36:ModelosdeleyespuntualesparaunidadgeolgicaxidosCrisocola.VistasenPlantaCobreinsolubleySoluble
Es posible apreciar que para el cobre insoluble se tienen leyes bastantes ms bajas que para el
cobre soluble. Esto dado que el cobre soluble es bastante similar al cobre total (cercano al 94%).
Tambin es bastante notoria la diferencia existente para las distintas unidades geolgicas, ya que para
losxidoscrisocolalasleyesdecobresolublesonaltas,encontrasteconloquesucedeparaelmodelo
simuladodemineraleslixiviadosenquelasleyessoncercanasaceroentodoelyacimiento.
ElsiguientepasosehacemedianteelprogramaBlkavgdeGSlib,elcualrealizaelrebloqueoa
paraleleppedos de dimensiones de 12.5 x 12.5 x 7.5 metros, mismo soporte que el modelo geolgico
proporcionado.Deestemodoseobtienenlassiguientesimgenes.
48
Figura37:ModelosdeleyesrebloqueadasparaunidadgeolgicaLixiviados.VistasenPlantaCobreinsolubleySoluble.
Figura38:ModelosdeleyesrebloqueadasparaunidadgeolgicaxidosVerdes.VistasenPlantaCobreinsolubleySoluble.
Figura39:ModelosdeleyesrebloqueadasparaunidadgeolgicaxidosCrisocola.VistasenPlantaCobreinsolubleySoluble.
Senotaciertosuavizamientodelosmapasalpasarabloquesdemayortamao,loqueeslgico
considerando que un aumento de soporte hace que la dispersin disminuya, dado que se toma
promediosdedatosreducindosevaloresextremos.
49
Para tener simulaciones con unidades geolgicas, cobre total y cobre soluble, se realiz un
programasimpleenelsoftwareMatlab(verAnexos)quetomaunasimulacindeunidadesgeolgicas
y en cada bloque simulado, toma el cdigo de este dominio y busca entre todas las bases de datos (de
leyespordominio)aculdominiocorresponde,obtenindoselaleyquehayenlamismaubicacin.Esto
lorealizaparaelcobresolubleycobreinsoluble.
Ademsserealizunprograma(Anexos)parahacerelcambiodevariableinverso,dadoqueya
estn simulados el cobre soluble y cobre insoluble se puede obtener el cobre total como la suma de
estosCuI = CuS + CuI.
Asseobtienenoncebasesdedatosdemodelosdebloquessimuladosparaunidadesgeolgicas,
cobretotalycobresoluble.
A continuacin se despliegan algunas imgenes de vistas en planta y perfiles de tres
simulaciones, adems de las imgenes del promedio y del Kriging (el cual est incompleto, pero abarca
laszonasdemayorinters).
Figura40:Modelosdebloquessimulados(Sim1).VistasenPlanta,cobresolubleytotal.
50
Figura43:PromedioSimulaciones.VistasenPlanta,cobresolubleytotal.
Figura44:VistasKriging.VistasenPlanta,cobresolubleytotal.
51
Figura45:Modelosdebloquessimulados(Sim1).VistasPerfilEsteCota,cobresolubleytotal.
52
Figura48:PromedioSimulaciones.VistasPerfilEsteCota,cobresolubleytotal.
Figura49:VistasKriging.VistasPerfilEsteCota,cobresolubleytotal.
Figura50:Modelosdebloquessimulados(Sim1).VistasPerfilNorteCota,cobresolubleytotal.
53
Figura53:PromedioSimulaciones.VistasPerfilNorteCota,cobresolubleytotal.
54
Figura54:VistasKriging.VistasPerfilNorteCota,cobresolubleytotal.
Los modelos son concordantes entre s respecto a las zonas de altas leyes, dado que
corresponden es su mayora a las zonas de xidos. Adems los promedios para las simulaciones no
difieren mucho de lo que es el Kriging, aunque este sea bastante ms suave, esto se debe en parte al
haber realizado solamente 11 simulaciones; se obtendra un mayor suavizamiento al promediar un
mayornmerodesimulaciones.
Serealizalavalidacindedatosparatodaslassimulaciones,ademsdedesplegarselos
histogramas.
Tabla8:ValidacindeSimulacionesrespectoaSondajesdesagrupados.Casocobresoluble.
LeyesmediasdeCuS
UG
Sondajes
Desagrupados Sim1 Sim2 Sim3
Media
Simulaciones
Diferencia
Sondajes/Simulaciones
[%] [%] [%] [%] [%] [%]
Estril 0.09 0.00 0.00 0.00 0.00 *Nosesimul
Lixiviados 0.13 0.05 0.05 0.05 0.05 0.08
Hipgeno 0.03 0.12 0.13 0.13 0.13 0.10
Suprgeno 0.04 0.10 0.06 0.09 0.08 0.04
Mixto 0.19 0.22 0.22 0.21 0.22 0.04
xidosVerdes 0.28 0.26 0.26 0.28 0.27 0.00
xidosCrisocola 1.42 1.57 1.72 2.09 1.95 0.52
xidosNegros 0.15 0.15 0.18 0.17 0.17 0.02
55
Tabla9:ValidacindeSimulacionesrespectoaSondajesdesagrupados.Casocobretotal.
LeyesmediasdeCut
UG
Sondajes
Desagrupados Sim1 Sim2 Sim3
Media
Simulaciones
Diferencia
Sondajes/Simulaciones
[%] [%] [%] [%] [%] [%]
Estril 0.19 0 0 0 0 *Nosesimul
Lixiviados 0.26 0.08 0.08 0.08 0.08 0.17
Hipgeno 0.41 0.16 0.18 0.16 0.16 0.25
Suprgeno 0.34 0.33 0.31 0.34 0.34 0
Mixto 0.33 0.35 0.38 0.35 0.37 0.04
xidosVerdes 0.35 0.35 0.34 0.35 0.35 0
xidosCrisocola 1.58 1.82 1.97 2.36 2.2 0.62
xidosNegros 0.32 0.3 0.34 0.33 0.33 0.01
Lamayordiferenciadeleyesentrelossondajesdesagrupadosylamediadelassimulacionesest
dadaparalosxidoscrisocola.Sinembargoladiferenciaporcentualnoestansignificativa.Estosedebe
alavariabilidaddeleyespresenteenestedominio.Paralasotrasunidadesgeolgicaslasdiferenciasno
sonrelevantes,tenindosecomoexcepcinslolasleyesparamineralhipgeno,loqueseexplicaporla
faltademuestreoaesaprofundidad(sondajespocoprofundos).
Dadoqueelmodelodekrigingseencuentraincompleto,considerandoquesolotienelosvalores
de leyes para 154.046 de los 440.960 bloques del modelo (35%), se selecciona en las simulaciones slo
los bloques que se encuentren en las mismas ubicaciones que aquellos con informacin de kriging. Se
realizaaslavalidacin.
Tabla10:ValidacindeSimulacionesrespectoalmodelodeKriging.Casoscobresolubleytotal.
LeyesmediasdeCuS LeyesmediasdeCuT
UG
Media
Simulaciones Kriging Diferencia
Media
Simulaciones Kriging Diferencia
[%] [%] [%] [%] [%] [%]
Estril 0.05 0.02 0.03 0.06 0.03 0.04
Lixiviados 0.08 0.06 0.02 0.11 0.08 0.03
Hipgeno 0.11 0.06 0.05 0.17 0.16 0.01
Suprgeno 0.08 0.06 0.02 0.22 0.34 0.11
Mixto 0.20 0.20 0.00 0.30 0.30 0.00
xidosVerdes 0.19 0.24 0.05 0.25 0.29 0.04
xidosCrisocola 1.35 1.49 0.14 1.50 1.65 0.15
xidosNegros 0.23 0.17 0.06 0.35 0.32 0.03
56
Las diferencias entre las medias de simulaciones y el kriging son pequeas, por lo tanto se
consideraquelassimulacionessoninsesgadas.
A continuacin se presentan los histogramas de los sondajes, simulaciones y kriging para las
zonasmineraleseconmicamentemsatractivas.
Figura55:HistogramasSondajesdesagrupados.Cobresolubleycobretotal,xidosVerdes.
Figura56:Histogramassimulacin1.Cobresolubleycobretotal,xidosVerdes.
57
Figura59:HistogramasSondajesdesagrupados.Cobresolubleycobretotal,xidosCrisocola.
58
Figura60:Histogramassimulacin1.Cobresolubleycobretotal,xidosCrisocola.
59
Loshistogramasdesimulacionesseasemejanbastantealosdesondajesencuantoasuformay
rango.Sibienexistenpequeasdiferenciasdesuavizamiento,estasseexplicanporelcambiodesoporte
puntualabloques.Ademssereproducenlasleyesaltasdemanerasimilaraloquefueronmuestreadas.
Seimpusoquelamximaleyentregadaporlassimulacionesfueramayoroigualalmximovalordeley
desondajeparaesaunidadgeolgica,sinembargodadoqueelsoporteesdistinto,esmuydifcilqueun
bloquereflejeunaleytanaltacomouncompsito.
4.6. Procesamiento de resultados
Como se obtienen once realizaciones distintas es posible ponerse en cada uno de estos
escenariosyverculessonlostonelajesyleyesmedias,determinarloscasosmsymenosfavorablesy
obtenerunrangoenelqueseencuentrecadaunadeestasvariables.Esdebastanteutilidaddesplegar
las curvas tonelaje ley para ver cules son los recursos una vez definidas las leyes de corte. A
continuacinsemuestranlascurvasparalasoncesimulacionesenceleste,ademsdelospromediosen
rojo para el total del yacimiento y tambin considerando slo las zonas minerales ms interesantes.
Dadasumayorrelevancia,slosetomarlavariablecobresoluble.

Figura63:CurvaTonelajeLey(cobresoluble)paratodoelyacimiento.
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0
200
400
600
800
1,000
1,200
1,400
0 0.1 0.2 0.3 0.4 0.5
Leymedia
%
M
i
l
l
o
n
e
s
d
e
T
o
n
e
l
a
d
a
s
LeydeCorte%
CurvaTonelajeLeyCobreSoluble
Yacimiento
60
Asmismoseobtienenlossiguientesrangosdetonelaje,leyesmediasycantidaddefino:
Tabla11:RangosTonelajes,Leyesmediasycantidaddemetal.Totaldelyacimiento,casoCuS.
LeyesdeCorte[%]
0 0.1 0.2 0.3 0.4 0.5
TonelajeMximo[Mton] 1,264 255 125 68 42 29
TonelajeMnimo[Mton] 1,264 218 102 55 34 23
TonelajePromedio[Mton] 1,264 230 110 61 38 26
LmMximo[%] 0.08 0.41 0.69 1.03 1.44 1.85
LmMnimo[%] 0.07 0.33 0.55 0.80 1.07 1.36
LmPromedio[%] 0.07 0.35 0.59 0.87 1.19 1.52
FinoMximo[Kton] 1,062 945 772 656 576 524
FinoMnimo[Kton] 847 727 561 449 379 334
FinoPromedio[Kton] 933 815 651 532 455 403
Figura64:CurvaTonelajeLey(cobresoluble)paralazonadexidosVerdes.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
10
20
30
40
50
60
70
80
0 0.1 0.2 0.3 0.4 0.5
Leymedia
%
M
i
l
l
o
n
e
s
d
e
T
o
n
e
l
a
d
a
s
LeydeCorte%
xidosVerde
61
Seobtienenlossiguientesrangosdetonelaje,leyesmediasycantidaddefino:
Tabla12:RangosTonelajes,Leyesmediasycantidaddemetal.xidosVerdes,casoCuS.
LeyesdeCorte[%]
0 0.1 0.2 0.3 0.4 0.5
TonelajeMximo[Mton] 73 59 37 24 16 12
TonelajeMnimo[Mton] 73 54 32 19 12 8
TonelajePromedio[Mton] 73 56 35 22 14 9
LmMximo[%] 0.30 0.36 0.49 0.63 0.75 0.88
LmMnimo[%] 0.25 0.31 0.43 0.55 0.67 0.79
LmPromedio[%] 0.27 0.33 0.46 0.58 0.71 0.83
FinoMximo[Kton] 222 213 183 152 126 104
FinoMnimo[Kton] 179 168 136 105 81 63
Figura65:CurvaTonelajeLey(cobresoluble)paralazonadexidosCrisocola.
0
0.5
1
1.5
2
2.5
3
3.5
4
0
2
4
6
8
10
12
14
0 0.1 0.2 0.3 0.4 0.5
Leymedia
%
M
i
l
l
o
n
e
s
d
e
T
o
n
e
l
a
d
a
s
LeydeCorte%
xidosCrisocola
62
Seobtienenlossiguientesrangosdetonelaje,leyesmediasycantidaddefino:
Tabla13:RangosTonelajes,Leyesmediasycantidaddemetal.xidosCrisocola,casoCuS.
LeyesdeCorte[%]
0 0.1 0.2 0.3 0.4 0.5
TonelajeMximo[Mton] 13 12.9 12,2 11.2 10.5 9.9
TonelajeMnimo[Mton] 13 12.3 11 9.9 8.9 8.1
TonelajePromedio[Mton] 13 12.6 11.6 10.7 9.8 9
LmMximo[%] 2.65 2.76 2.93 3.08 3.25 3.43
LmMnimo[%] 1.57 1.66 1.82 1.99 2.17 2.34
LmPromedio[%] 1.95 2.04 2.19 2.35 2.53 2.71
FinoMximo[Kton] 349 349 348 346 344 341
FinoMnimo[Kton] 207 207 205 202 199 195
Tabla14:RangosTonelajes,Leyesmediasycantidaddemetal.xidosCrisocola,casoCuS.
Es bastante claro que la zona que presenta mayor incertidumbre es la de xidos de Crisocola,
dadasualtavariabilidaddeleyes(reflejadaenlosvariogramas),porloqueseveunmayorespectrode
leyes medias y tonelajes (dada una ley de corte). Al contrario, en la curva tonelajeley de todo el
yacimiento la variacin entre los distintos casos es bastante acotada, no presenta mucha variabilidad,
estoyaquelasleyesmediassonbastantemenores(variogramamenor),yslolaszonasdexidos,que
sonmsdifusas,aumentanalgolaincertidumbre.

4.7 Comparacin con Modelo de Kriging
ElmodelodekrigingentregadoporAntofagastaMineralsnoabarcatodoelyacimientoyslose
consideran las zonas de mayor inters econmico. Se toma en cuenta slo los bloques de los modelos
simuladosenlosqueexistenleyesdelmodelodekrigingpararealizarlacomparacin.Asrealizandoesta
simplificacinseobtienenlossiguientesrecursosycurvasdetonelajeley.
63
Tabla15:RangosTonelajes,Leyesmediasycantidaddefinomodelossimulados(simplificados)ymodelo
kriging.xidosVerdes,casoCuS.
Lc[%]
0 0.1 0.2 0.3 0.4 0.5
TonelajeMximo[Mton] 73 59.2 37.2 24.2 16.7 11.8
TonelajeMnimo[Mton] 73 54.2 32.0 19.2 12.1 8
TonelajePromedio[Mton] 73 56.4 34.5 21.7 14.3 9.8
LmMximo[%] 0.30 0.36 0.49 0.63 0.75 0.88
LmMnimo[%] 0.25 0.31 0.43 0.55 0.67 0.79
LmPromedio[%] 0.27 0.33 0.46 0.58 0.71 0.83
FinoMximo[Kton] 222 213 183 152 126.3 104.6
FinoMnimo[Kton] 179 168 136 105 81.7 63.5
FinoPromedio[Kton] 199 188 157 127 101.9 82
Kriging
Tonelaje[Mton] 70.8 65 30 14.4 9.1 5.9
Lm[%] 0.24 0.26 0.38 0.54 0.65 0.76
Fino[Kton] 172 167 115 77 59.6 45.3
Figura66:CurvaTonelajeLey(cobresoluble)paralazonadexidosVerdes.Enazullasoncesimulaciones,enrojoel
promediodetodasyenverdeelkriging.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0
10
20
30
40
50
60
70
80
0 0.1 0.2 0.3 0.4 0.5
Leymedia
%
M
i
l
l
o
n
e
s
d
e
T
o
n
e
l
a
d
a
s
LeydeCorte%
xidosVerdes
64
Tabla 16: Rangos Tonelajes, Leyes medias y cantidad de metal modelos simulados (simplificados) y
modelokriging.xidosCrisocola,casoCuS.
Lc[%]
0 0.1 0.2 0.3 0.4 0.5
TonelajeMximo[Mton] 13.2 12.95 12.2 11.2 10.6 9.95
TonelajeMnimo[Mton] 13.2 12.34 11 9.9 8.9 8.1
TonelajePromedio[Mton] 13.2 12.60 11.6 10.7 9.9 9
LmMximo[%] 2.65 2.76 2.93 3.08 3.25 3.43
LmMnimo[%] 1.57 1.66 1.82 1.99 2.17 2.34
LmPromedio[%] 1.95 2.04 2.19 2.35 2.53 2.71
FinoMximo[Kton] 350 349.2 348 346.6 344 341
FinoMnimo[Kton] 208 207.2 205.5 202.7 199.3 195
FinoPromedio[Kton] 257 256.7 255.3 253.1 250.1 246.6
Kriging
Tonelaje[Mton] 15.4 15.3 13.7 11.9 10.9 10.09
Lm[%] 1.49 1.50 1.66 1.87 2.00 2.14
Fino[Kton] 229.8 229.7 227 222.7 219.4 215.4
Figura67:CurvaTonelajeLey(cobresoluble)paralazonadexidosCrisocola.Enazullasoncesimulaciones,enrojoel
promediodetodasyenverdeelkriging.
0.00
0.50
1.00
1.50
2.00
2.50
3.00
3.50
4.00
0
2
4
6
8
10
12
14
16
18
0 0.1 0.2 0.3 0.4 0.5
Leymedia
%
M
i
l
l
o
n
e
s
d
e
T
o
n
e
l
a
d
a
s
LeydeCorte%
xidosCrisocola
65
Existen algunas diferencias entre el promedio de las simulaciones y el modelo de kriging, sobre
todoparaelcasodeleyesdexidoscrisocolaenquesetienemayorvariabilidaddedatos.
Idealmente el kriging debera ser igual al promedio de las simulaciones, no obstante,
considerando que cada simulacin de ley toma en cuenta adems otra simulacin de unidad geolgica
independiente,noseestrealizandonecesariamenteunacomparacinentrelasmismasubicacionesdel
yacimientoconrespectoalkriging.
Acontinuacin,serealizaunacomparacinentretodoslosbloquesdelyacimiento,
Figura68:CurvaTonelajeLey(cobresoluble)paraeltotaldelyacimientosimplificado.Enazullasrealizacionesmnimas,
mximaypromedio,enverdemodelodekriging.
0.00
0.50
1.00
1.50
2.00
2.50
0
50
100
150
200
250
300
350
400
450
500
0 0.1 0.2 0.3 0.4 0.5
Leymedia
%
M
i
l
l
o
n
e
s
d
e
T
o
n
e
l
a
d
a
s
LeydeCorte%
TotalYacimiento
66
Tabla17:RangosTonelajes,Leyesmediasycantidaddemetalmodelossimuladosymodelokriging.Total
Yacimiento,casocobresoluble.
Simulaciones
Lc[%]
0 0.1 0.2 0.3 0.4 0.5
TonelajePromedio[Mton] 442.2 91.8 53.2 35.7 26 20.1
LmPromedio[%] 0.13 0.56 0.86 1.17 1.48 1.78
FinoPromedio[Kton] 561.2 513 460.1 418 384.9 358.9
Kriging
Lc[%]
Tonelaje[Mton] 442.2 112.9 50 29.1 21.7 16.9
Lm[%] 0.12 0.40 0.73 1.08 1.34 1.59
Fino[Kton] 521.8 452.9 365.9 315.6 290.1 268.4
El kriging se asemeja a las simulaciones para una ley de corte nula. Sin embargo, para leyes de
corte mayores, hay algunas diferencias explicadas por el efecto suavizamiento del kriging, que provoca
que las leyes bajas se sobreestimen y que se subestimen las leyes altas. Por construccin, este
suavizamiento no sucede con las simulaciones, las cuales reproducen la variabilidad espacial de leyes,
obteniendo as una menor dilucin (menor tonelaje con leyes medias ms altas para leyes de corte
bajas, y ms tonelaje para leyes de corte altas). Considerando que la simplificacin abarca mucho
tonelaje de leyes altas, para leyes de corte no nulas, el kriging subestima las leyes y los tonelajes (para
leyesmayoresque0.1).
67
5 CONCLUSIN
Laprincipalventajadelassimulacionescondicionalesrespectoalkriging,esqueestaspermiten
tenertantosescenarioscomoseanecesario,losquereproducenlavariabilidaddelyacimientoydeesta
forma permiten medir la incertidumbre y el riesgo a travs de los casos ms o menos favorables. No
obstante, se debe tener precaucin con las zonas minerales que posean pocos datos condicionantes,
pueslasimulacinseapoyaenlamediaglobaldelosdatosparacompensarlacarenciadeinformacin.
Puede ocurrir que esta media global no sea adecuada localmente, por lo que las simulaciones no
reflejarnelrealcomportamientodelasvariables.
Si bien la construccin de realizaciones es parte importante en el trabajo de lograr una
simulacin, la validacin es fundamental para aprobar los mtodos utilizados. Tanto para el caso de
simulacin secuencial de indicadores, para las unidades geolgicas, como para la simulacin secuencial
gaussiana, para las leyes. Est la ventaja de que cada uno de los variogramas, de indicador y de datos
gaussianos, respectivamente, se model de manera independiente (para cada uno de los dominios
geolgicos), por lo que el modelo variogrfico es una buena representacin de la distribucin espacial
del yacimiento. Siempre es importante tener una idea de lo que pasa en la realidad para no considerar
sololosmodelosobtenidos.Losgelogosdebenserpartcipestantoenlaelaboracincomoenlaetapa
devalidacin.
Sedebeconsiderarlaincertidumbretantoenlasunidadesgeolgicascomoenlasleyesdecobre
total y cobre soluble dada la gran importancia econmica presente en este yacimiento. Adems,
considerando los rangos en que flucta la evaluacin de recursos, debera tomarse en cuenta los
modelos simulados en las decisiones tcnicas como alternativas al modelo de kriging. Esto es relevante
debidoaqueelsectormsimportantedelyacimientoeselquepresentamayorvariabilidad.Asimismo
se debe llevar a cabo constantemente muestreos en los contactos de los dominios, a travs de nuevas
campaas de sondajes, para as tener mayor informacin y poder realizar simulaciones de modo de
complementarlosmodelosgeolgicoscreados.
Sera interesante junto con tener los estudios de solubilidad de las distintas zonas minerales,
contar con informacin similar para la ganga que rodea estos dominios. Se podra crear modelos
predictivosparaelcomportamientodeestosbloquesenlosfuturosprocesosmetalrgicos,talescomoel
consumo de cido en la hidrometalurgia de los xidos. Adems debera incluirse en estas simulaciones
losporcentajesdeimpurezas,talescomoelarsnico,quepermitantenerelbeneficio/costorealdecada
bloque, posibilitando un modelo que abarque no slo las variables de ingreso, sino tambin las que
implicanunadisminucindelpotencialeconmico.
68
6 REFERENCIAS
[1] AlastairJ.Sinclair,GarstonH.Blackwell,2002.AppliedMineralInventoryEstimation.p.284299.
[2] ChilsJP.,DelfinerP.,1999.Geostatistics:modelingspatialuncertainty.Wiley,New
York,695p.
[3] Emery X., 2004, Testing the correctness of the sequential algorithm for simulating Gaussian
randomfields,StochEnvirResandRisk18,p.401413.
[10] Emery X., 2007, Statistical tests for validating geostatistical simulation algorithms (2007),
Computers&Geosciences,11p.
[4] I.M Glacken, D.V Snowden, 2001: Mineral Resource Estimation, in Mineral Resource and Ore
Reserve Estimation The AusIMM Guide to Good Practice, The Australasian Institute of Mining
andMetallurgy:Melbourne.P189198.
[5] J.H. Duke, P.J. Hanna, Geological Interpretation for Resource Modelling and Estimation, in
Mineral Resource and Ore Reserve Estimation The AusIMM Guide to Good Practice, The
AustralasianInstituteofMiningandMetallurgy:Melbourne.P147156.
[6] JournelA.G.,HuijbregtsCh.J.,1978.MiningGeostatistics.AcademicPress,London,600p.
[7] Clayton V. Deutsch, Andr G. Journel, 1998: GSLIB Geostatistical Sofware Library and User's
Guide,OxfordUniversityPress.189p.
[8] Oy Leuangthong, Clayton V. Deutsch, 2002: Stepwise Conditional Transformation for Simulation
ofMultipleVariables, MathematicalGeology,Vol.35,No.2,February2003(C2003).19p
[9] Oy Leuangthong, Jason A. McLennan, and Clayton V, 2004. Deutsch: Minimum Acceptance
Criteria for Geostatistical Realizations. Natural Resources Research, Volume 13, Number 3, 131
141,11p.
69
7 ANEXOS
Anexos 1: Probabilidad de Ocurrencia de unidad geolgica.
ImgenesdeProbabilidaddeocurrenciadedistintasunidadesgeolgicas:
VistasenPlanta(2186m):
Figura1:ProbabilidadocurrenciaunidadEstril.
Figura2:ProbabilidadocurrenciaunidadLixiviados.
70
Figura3:ProbabilidadocurrenciaunidadHipgeno.
Figura4:ProbabilidadocurrenciaunidadParcialLixiviado.
Figura5:ProbabilidadocurrenciaunidadSuprgeno.
71
Figura6:ProbabilidadocurrenciaunidadMixto.
Figura7:ProbabilidadocurrenciaunidadxidosVerdes.
Figura8:ProbabilidadocurrenciaunidadxidosCrisocola.
72
Figura9:ProbabilidadocurrenciaunidadxidosNegros.
Figura10:ProbabilidadocurrenciaunidadLixiviadosconCobre.
Cdigo MATLAB

MB= input('Ingrese modelo de bloques: x y z UG:');
deltax= input('Ingrese cuantos bloques en x a considerar :');
deltay= input('Ingrese cuantos bloques en y a considerar :');
deltaz= input('Ingrese cuantos bloques en z a considerar :');

MB = sortrows(sortrows(sortrows(MB,1),2),3);
MB_vecindad = MB;
UG = reshape(MB(:,4),176,120,60);
l = 1;

for k = 1:60
disp([int2str(k),' de 60']); pause(0.001);
for j = 1:120
for i = 1:176
A = UG( max(1,i-deltax):min(176,i+deltax) , max(1,j-
deltay):min(120,j+deltay) , max(1,k-deltaz):min(60,k+deltaz) );
73
I = find(A(:)<0); A(I) = [];

MB_vecindad(l,4)= mean(A(:));
l = l+1;
end
end
end
Anexos 2: Simulacin de Leyes.
Anexos 2.1: Cdigo MATLAB: Asignacin de Modelos de simulacin de Leyes a

Modelo de Unidades Geolgicas:
% lectura de los archivos de simulaciones de leyes y del archivo de

% simulacin de unidades geolgicas
load('MBSIM_775_1_simplificado.txt');
load('sgsim_block_cui_3.out');

sgsim_cui = [sgsim_block_cui_3 sgsim_block_cui_5 sgsim_block_cui_10
sgsim_block_cui_11 sgsim_block_cui_12 sgsim_block_cui_20 sgsim_block_cui_30
sgsim_block_cui_40 sgsim_block_cui_50];
sisim = MBSIM_775_1_simplificado(:,4);
n = size(sisim);
sgsimfinal_cui = zeros(n,1);

for i = 1:n
l = sisim(i);
if l==3, j=1;
end
if l==5, j=2;
end
if l==10, j=3;
end
if l==11, j=4;
end
if l==12, j=5;
end
if l==20, j=6;
end
if l==30, j=7;
end
if l==40, j=8;
end
if l==50, j=9;
end
if l==0,
sgsimfinal_cui(i) = 0;
74
else
sgsimfinal_cui(i) = sgsim_cui(i,j);
end
end

load('sgsim_block_cus_3.out');

sgsim_cus = [sgsim_block_cus_3 sgsim_block_cus_5 sgsim_block_cus_10
sgsim_block_cus_11 sgsim_block_cus_12 sgsim_block_cus_20 sgsim_block_cus_30
sgsim_block_cus_40 sgsim_block_cus_50];

sgsimfinal_cus = zeros(n,1);
for i = 1:n
l = sisim(i);
if l==3, j=1;
end
if l==5, j=2;
end
if l==10, j=3;
end
if l==11, j=4;
end
if l==12, j=5;
end
if l==20, j=6;
end
if l==30, j=7;
end
if l==40, j=8;
end
if l==50, j=9;
end
if l==0,
sgsimfinal_cui(i) = 0;
else
sgsimfinal_cus(i) = sgsim_cus(i,j);
end
end
MB_cuicus = MBSIM_775_1_simplificado;
MB_cuicus(:,5)=sgsimfinal_cui;
MB_cuicus(:,6)=sgsimfinal_cus;
disp('Proceso finalizado');
Anexos 2.2: Cdigo MATLAB Transformacin de base de datos con unidad

geolgica, cobre total y cobre soluble y exportacin de datos:
n=size(MB_cuicus(:,1));
MB_cuscut=zeros(n,6);
75
MB_cuscut(:,1)=MB_cuicus(:,1);

for i=1:n,
MB_cuscut(i,6)=MB_cuicus(i,5)+MB_cuicus(i,6);
end

fid_ton = fopen('MB_sim_ug_ley_1.out','wt');

for i=1:n,
fprintf(fid_ton,'%5.2f %5.2f %5.2f %5.2f %5.2f
%5.2f\n',MB_cuscut(i,1),MB_cuscut(i,2), MB_cuscut(i,3), MB_cuscut(i,4),
MB_cuscut(i,5), MB_cuscut(i,6) );
end

fclose(fid_ton);

disp('Proceso finalizado');

CF Elissetche PC

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

CF Elissetche PC

Încărcat de

Drepturi de autor:

Formate disponibile

MODELAMIENTO DE RECURSOS DE UN YACIMIENTO

1.3.1 Objetivo General

El objetivo general de este trabajo consiste en modelar la incertidumbre en los recursos de un

1.3.2 Objetivos Especficos

Se dispone de una base de datos perteneciente a una campaa de sondajes de un yacimiento

2.1 Modelamiento de Recursos Geolgicos

2.1.1 Tipos de Yacimientos

2.2 Conceptos bsicos de geoestadstica

2.2.1 Funcin Aleatoria

2.3 Mtodos de Estimacin Local

2.4 Mtodos de Simulacin

Simulacin no condicional: reproduce la variabilidad de la variable regionalizada sin tomar en

2.4.1 Modelos de funciones aleatorias

2.4.2 Modelo Multigaussiano (leyes minerales)

Mtodo Secuencial Gaussiano

El algoritmo consiste en simular el valor en un sitio a partir de su distribucin condicional a los

2.4.3 Modelos de Variables Categricas (unidades geolgicas)

Mtodo Secuencial de Indicadores

2. Seleccionar umbrales (UG, leyes de corte, litologas) y transformar a variable indicador (0

2.4.4 Criterios de Validacin

Existe ms de un criterio de validacin de los distintos algoritmos de construccin de

Se procede con el anlisis variogrfico de los datos gaussianos y el modelamiento de los

La zona estudiada en este trabajo, se encuentra ubicada a unos 60 km al sur de la ciudad de

Antofagasta Minerals realiz un levantamiento magnetomtrico terrestre sobre el rea

4.2 Presentacin de los datos

4.3 Estudio exploratorio

CuI = CuI - CuS

4.4. Modelamiento de Unidades Geolgicas.

4.4.1 Anlisis Variogrfico

4.4.2 Probabilidades locales de ocurrencia de unidades geolgicas.

La simulacin secuencial de indicadores se ejecuta utilizando el software sisim_lm de GSlib.

En total, se construyeron 11 realizaciones de unidades geolgicas. A continuacin se muestran

4.5.1 Anlisis Variogrfico

4.6. Procesamiento de resultados

I = find(A(:)<0); A(I) = [];

Anexos 2: Simulacin de Leyes.

Anexos 2.1: Cdigo MATLAB: Asignacin de Modelos de simulacin de Leyes a

% lectura de los archivos de simulaciones de leyes y del archivo de

Anexos 2.2: Cdigo MATLAB Transformacin de base de datos con unidad

S-ar putea să vă placă și