Documente Academic
Documente Profesional
Documente Cultură
PROFESOR GUA:
JULIN ORTIZ
MIEMBROS DE LA COMISION:
MARIO SOLARI
FRANCISCO WALTHER
SANTIAGO DE CHILE
MARZO 2008
RESUMEN
Un buen conocimiento de las propiedades del macizo rocoso es fundamental para el desarrollo
de cualquier proyecto minero. En este contexto, la metodologa que se use para modelar
variables geotcnicas como UCS, RMR, RQD, y otras, tendr un impacto importante en la
estimacin de factores tan importantes como la fragmentacin y hundimiento, y el diseo de
infraestructura.
Sin embargo, las tcnicas utilizadas para modelar variables geotcnicas, no han evolucionado
como se esperara, pues la gran mayora de los proyectos mineros utiliza la tcnica de
Zonificacin y Promedios, que consiste en promediar los datos de una variable dada, dentro de un
dominio geotcnico. Esta tcnica, arrastra mltiples imprecisiones, pues no toma en cuenta la
naturaleza de algunas variables, como son la no aditividad y la direccionalidad. Adems, no
entrega una medida de la incertidumbre de la estimacin, y no hace uso de la estructura espacial
de la variable, lo que se traduce en un desaprovechamiento de informacin.
En este estudio se analiza la naturaleza de las variables geotcnicas y las restricciones prcticas a
que conllevan, para luego proponer mtodos afines a tales restricciones. Mediante simulacin
condicional se generan modelos espaciales de algunas de las principales variables geotcnicas,
tales modelos se comparan con los obtenidos utilizando la tcnica del promedio. Esta
comparacin se realiza mediante herramientas cuantitativas, de modo de obtener conclusiones y
recomendaciones robustas en cuanto a la modelacin de las variables en cuestin. Adems,
mediante la simulacin se realizan anlisis de escenarios y clculos de incertidumbre de la
estimacin.
Se utiliz el proyecto Chuquicamata Subterrneo, de Codelco Chile, como caso de estudio. Las
variables modeladas son Rock Quality Designation (RQD), Uniaxial Compresive Strength
(UCS), Frecuence Fracture (FF), Joint Condition (JC) y Rock Mass Rating (RMR), para cada una
de las unidades geotcnicas. En el caso del RMR, debido a que es una variable no aditiva, el
modelo fue generado a partir de los modelos de RQD, JC, FF y UCS, y no aplicando
directamente tcnicas de simulacin.
Los resultados, para todas las variables en cuestin, muestran mejoras con el uso de simulacin.
Adems, se concluy que mientras ms dispersos son los datos, el promedio es un peor
estimador, y por lo tanto ms recomendable es el uso de tcnicas alternativas como las que aqu
se utilizan. Finalmente, se comprob la necesidad de trabajar la frecuencia de fractura como una
variable direccional, lo que implica modelar esta variable considerando la direccin de los
sondajes. As, el uso de simulacin para modelar variables geotcnicas es absolutamente
recomendable. Adems de una mejor estimacin, la simulacin permite cuantificar la
incertidumbre de la estimacin y realizar anlisis de escenarios. En este contexto, el prximo
desafo es convertir esta informacin en una variable de decisin en la minera. Esto permitir
aprovechar al mximo las ventajas de la simulacin y obtener mejores resultados en la
innumerable cantidad de aspectos en los que la geotecnia est involucrada.
Finalmente, corresponde destacar que la etapa de transferencia tecnolgica para hacer de esta
metodologa una tcnica comn es muy menor, pues la gran mayora de las empresas mineras
cuentan con softwares geoestadsticos. Solo es necesario considerar la naturaleza de estas
variables y sus consecuencias.
2
ABSTRACT
A good knowledge of the rock mass properties is fundamental for the development of a mining
project. In this context, the methodology used to model geotechnical variables such as UCS,
RMR, RQD, and others, could significantly improve the quality of the estimation of factors as
important as the fragmentation and subsidence, and the design of infrastructure.
However, current techniques for estimating these factors have not evolved and most of the
geomechanics studies done today consider averages over zones deemed homogeneous. All the
data associated to a given variable are averaged within each of these geotechnical domains. This
practice may lead to imprecision, since the nature of some of these variables is not taken into
account. In particular, some variables are non additive and their behavior is related to a particular
direction. The practice of averaging the values over a geotechnical domain lacks local precision,
does not use the spatial continuity of the variable to provide better local estimates and is not
linked to any measure of uncertainty, which is fundamental in order to assess the risk related to a
geotechnical design.
This study analyzes the nature of the geotechnical variables and its implications. Then, we
propose consistent methods to estimate and simulate these variables in space, based on
geostatistical techniques. Conditional simulation is used to construct models for relevant
geotechnical parameters. These results are quantitatively compared with the models obtained
using the averaging technique. Recommendations about the convenience of the proposed
methodologies are provided.
The study uses data from the project Chuquicamata Subterrneo, from Codelco Chile. The
variables modeled were RQD, UCS, FF, JC and RMR for each one of the domains. In the case of
RMR, due to is a non adittive variable, the model was generated using the models of RQD, JC,
FF and UCS, and not applying directly the simulation. The results show clearly the improvements
caused by using geostatistical techniques to construct the models, for all the variables studied.
Also, shown the influence of the dispersion of the data in the errors involved, while more
dispersion, more unprecise is the technique of the average, so more necessary is the use of an
alternative method like the used in this study. Also was checked the necesity of treat the
frecuence fracture like a directional variable, wich means consider the direction of cores drillings.
Thus, the use of simulation to get models of geotechnical variables is absolutely recomendable.
Besides a better estimation, the simulation allow the quantification of uncertainty in the
estimation and provide the basis for risk analysis. In this context, the next step is to convert this
information in a variable of decision in geotechnical projects, this will allow take the maximun
advantage of the simulation and get better results in the unnumerables aspects where the
geomechanics is involved.
Finally, is important to highlight that the technological transference necessary to make of the
methodology presented here, a common practice is very little, due to the most of the minings
companies have geostatistical softwares and people whit the knoledgement for use it, just is
necessary review some special carachteristics of the geotechnical variables and it consequences
that are studied in this document.
AGRADECIMIENTOS
Esta memoria est dedicada principalmente a mi familia: a Gonzalo mi padre y Ani mi madre,
por todo el amor, cario y apoyo. A mis hermanos Gonzalo y Jos Toms por ser un muy buen
ejemplo a seguir y a mi abuela Aileen por incentivarme siempre a aprender ms.
A mis amigos y amigas no, porque se los agradecer en su momento con algn brebaje en mano.
Quisiera agradecer tambin a todos los profesores y funcionarios de la U por la buena onda, en
particular a Juanita y al profesor Julin Ortiz por tener siempre una muy buena disposicin para
ayudarme. Adems, agradezco a Codelco por apoyar la memoria y facilitar los datos, en
particular a Ernesto Arancibia.
Finalmente, no podra dejar de mencionar a todas aquellas personas que no he mencionado. Y
cuando digo todas, evidentemente no me refiero a todas, si no que solo a aquellos que han
sido parte importante de mi formacin, como mis abuelos, tos, etc.
INDICE DE CONTENIDOS
1.- INTRODUCCIN
Un buen conocimiento de las propiedades del macizo rocoso resulta fundamental en las etapas
de desarrollo de un proyecto minero. En este contexto, el mtodo que se utilice para modelar
variables geotcnicas como el UCS, RMR, RQD, Frecuencia de Fractura, entre otras, marcar
una diferencia notable en la calidad de la estimacin de factores tan importantes como la
fragmentacin y hundibilidad del macizo, y los diseos de la infraestructura.
Sin embargo, las tcnicas utilizadas para modelar variables geotcnicas no han evolucionado
como se esperara, pues la gran mayora de los proyectos mineros utiliza la tcnica de
Zonificacin y Promedios, que consiste en promediar los datos de una variable dada, dentro de
un dominio geotcnico. Esta tcnica arrastra mltiples imprecisiones, pues no toma en cuenta la
naturaleza de algunas variables, como son la no aditividad y la direccionalidad. Adems, no
entrega una medida de la incertidumbre de la estimacin, y no hace uso de la estructura
espacial de la variable, lo que se traduce en un desaprovechamiento de informacin.
En este estudio se analiza la naturaleza de las variables geotcnicas y las restricciones
prcticas a que conllevan, para luego proponer mtodos que eviten tales restricciones. El
principal enfoque a utilizar se basa en la geoestadstica. Mediante simulacin condicional se
generan modelos espaciales de algunas de las principales variables geotcnicas, tales modelos
se comparan con los obtenidos utilizando la tcnica del promedio. Esta comparacin se realiza
mediante herramientas cuantitativas, de modo de obtener conclusiones y recomendaciones
robustas en cuanto a la modelacin de las variables en cuestin. Adems, mediante la
simulacin se realizan anlisis de escenarios y clculos de incertidumbre de la estimacin.
Si bien la geoestadstica se ha utilizado antes para propsitos similares, no es posible encontrar
trabajos donde se muestren los resultados de tcnicas de validacin, como por ejemplo, Jack
Knife. Por lo mismo, tampoco hay comparaciones cuantitativas con el mtodo del promedio, lo
que genera discusin y desconfianza en su uso.
Comparar los resultados, con los que se obtendran mediante Zonificacin y Promedio y
as concluir cuantitativamente sobre la utilidad del uso de geoestadstica en geotecnia.
Aplicacin de geoestadstica
2.3 Alcances
El modelo se generar a partir de la base de datos geotcnicos obtenida hasta Enero del
2007, del proyecto Chuquicamata Subterrneo y utilizando las Unidades Geotcnicas
definidas en trabajos anteriores
No es parte del estudio cuestionar la calidad de la base de datos, ni la pertinencia de las
unidades geotcnicas.
3.- ANTECEDENTES
Previo a la definicin de las variables de inters, corresponde repasar los conceptos de roca
intacta, discontinuidad y macizo rocoso.
En geotecnia, las rocas deben ser descritas considerando las propiedades del material que las
forma, tales como su comportamiento reolgico, su densidad, su porosidad, etc. Pero tambin se
debe considerar el efecto de las discontinuidades que estn presentes, puesto que stas
evidentemente afectan su comportamiento. Dado esto, se distingue entre roca intacta, que
corresponde exclusivamente al material ubicado entre discontinuidades, y macizo rocoso, que
incluye las discontinuidades. As, para realizar una descripcin de una zona, se hace necesario
utilizar indicadores que den cuenta tanto de las propiedades de la roca intacta como del macizo
rocoso.
La Tabla 3.1 resume los tipos de discontinuidades:
Discontinuidades Sistemticas
Planos de estratificacin
Planos de laminacin
Planares
Diaclasas (juntas)
Planos de esquistosidad
Lineales
Singulares
Fallas
Diques
Discordancias
Ejes de
pliegues
Relleno: Describe las caractersticas del material presente en los planos de discontinuidad,
que separa la roca. Es fundamental para comprender la cohesin del macizo rocoso y la
resistencia al cizalle. Las propiedades ms importantes del relleno son su mineralizacin,
espesor o anchura, resistencia al corte y permeabilidad.
Abertura: Corresponde a la distancia perpendicular que separa las paredes de la
discontinuidad cuando no existe relleno.
Estas propiedades, junto con algunas otras, se pueden apreciar en la Figura 3.1:
11
FF (Frecuencia de fractura)
RQD (Rock Quality Designation)
UCS (Uniaxial Compresive Strength)
RMR (Rock Mass Rating)
MRMR (Mining Rock Mass Rating)
Q (Rock Tunneling Quality Index)
GSI (Geological Strength Index )
RQD
Calidad de la roca
< 25 %
Muy mala
25 50 %
Mala
50 75 %
Regular
75 90 %
Buena
90 100 % Muy buena
Tabla 3.2: RQD y calidad de la roca.
Es posible tambin estimar el RQD a partir de la FF utilizando la siguiente relacin[3]:
RQD=100e-0.1FF (0.1FF+1),
Para valores de FF en el rango 6-16, se puede utilizar la siguiente relacin:
RQD= -3.68 FF + 110.4
Cuando no hay testigos disponibles, el RQD puede ser aproximado a partir del nmero de
discontinuidades por unidad de volumen:
RQD = 115 - 3.3 Jv
Donde Jv = nmero total de discontinuidades por m3.
14
(0-15 puntos)
(3-20 puntos)
(5-20 puntos)
(0-30 puntos)
(0-15 puntos)
Una tabla resumen de los puntajes es la 3.3. Para mayores detalles de los puntajes usados por
Codelco, ver Anexo 10.1. RMR es la suma de los ratings asociados a cada uno de los factores
anteriores.
15
Adems, Bienawski propone una metodologa de correccin al puntaje anterior, que busca tomar
en cuenta la influencia de la orientacin de las discontinuidades a la hora de realizar una
excavacin. De esta forma, el puntaje obtenido es clasificado segn lo siguiente:
Ratings
Nmero de Clase
Descripcin
100-81
I
Very Good Rock
80-61
II
Good Rock
60-41
III
Fair Rock
40-21
IV
Poor Rock
<20
V
Very Poor Rock
16
Clase
5
4
3
2
1
MRMR
<20
<40
<60
<80
<100
Clase
V
IV
III
II
I
Intervalo GSI
0-20
20-40
40-60
60-80
80-100
17
Adems, cada cociente entre parntesis de la frmula del Q, tiene el siguiente significado:
20
21
22
23
pH
13
10-7
-4
10
10-2
<pH>
<[H+]>
4
2
6.5
10-2.59
A modo de ejemplo, supongamos que para UCS, RQD y E, se tienen los valores de la tabla 3.13,
con sus respectivos puntajes, asignados segn la metodologa de clculo del RMR. Adems, por
simplificar, asumamos que el rating de la condicin de discontinuidades (JC) ms la condicin de
aguas (WC) suman un valor constante e igual a 25.
UCS
30
40
130
260
Rating UCS
4
4
12
15
RQD (%)
20
30
65
95
Rating RQD
E
3
50 [mm]
8
200 [mm]
13
500 [m]
20
2000 [m]
Rating E
5
8
10
20
JC + WC
25
25
25
25
Rating
<UCS>
12
<Rating
RQD>
11
Rating
<RQD>
13
<Rating E>
10,75
Rating <E>
15
Rating Discont. Y
Agua
25
Si calculamos el RMR como la suma del promedio de los ratings de cada variable (que
equivale a promediar el RMR)RMR=8.75+11+10.75+20=55.5
En el caso del RQD, es un porcentaje. Por lo tanto, al igual que la ley de algn mineral,
es aditivo y promediable.
Para el caso del Jn (nmero de sets estructurales), corresponde hacer dos observaciones.
Primero, de la tabla 3.15, se ve claramente que Jn no es lineal con respecto al nmero de
sets estructurales presentes.
25
Numero de set
0
1
2
3
Jn
0,5
2
4
9
Para el caso de Jr, Ja, Jw, y SRF, los valores estn asociados a una descripcin geolgica
relativamente subjetiva y netamente cualitativa, por lo que tratarlas como variables
aditivas es definitivamente un supuesto. Por ejemplo, en el caso del Jr, se tiene:
Condicin
Estructuras Ondulosas y Rugosas
Estructuras Ondulosas y Lisas
Estructuras Ondulosas y Pulidas
Estructuras Planas y Rugosas
Jr
3
2
1,5
1,5
Jn
0,5
4
12
20
Jr
4
2
1,5
0,5
Ja
0,75
5
13
20
ndice Q
26
Jw
1
0,66
0,33
0,1
SRF
5
7,5
7
5
Q
53,33
0,35
0,03
0,001
Luego, el resultado de promediar Q (Columna de la derecha) es, Q=13.43. Por otra parte, los
valores promedios de cada factor son los siguientes:
<RQD>
38,75
<Jn>
9,13
<Jr>
2,00
<Ja>
9,69
<Jw>
0,52
<SRF>
6,13
27
direcciones que se quieren estudiar. Suponiendo que se cuenta con esta base de datos, con una
buena cantidad de muestras en variadas direcciones, entonces lo que se recomienda es trabajar los
datos asociados a cada direccin de manera independiente. De este modo, se podra obtener por
ejemplo, una FF vertical y una FF horizontal. Esta diferenciacin podra ser enormemente til a
la hora de disear un pique de traspaso sub-vertical o un nivel de transporte horizontal, afectando
entre otras cosas, la factibilidad de construccin de infraestructura, y los posibles soportes que
sea necesario utilizar. Tambin sera til para estimaciones de fracturamiento y hundibilidad del
macizo rocoso en proyectos de tipo caving.
Resulta interesante discutir la posibilidad de generar un modelo de FF continuo, para todo
ngulo. Es decir, a partir de un set limitado de muestras, determinar una funcin FF(s, s), esta
funcin continua sera de enorme utilidad y permitira mejorar notablemente la comprensn del
problema.
Para lo anterior consideremos la siguiente metodologa[9]. A partir de un sondaje que forma un
ngulo con la direccin normal a las discontinuidades, se encontrar un espaciamiento aparente
entre discontinuidades Xi (ver figura 3.7), de modo que:
Xio = Xi Cos ( ) .
Figura 3.7: Efecto de la direccin del sondaje con respecto a la orientacin de las
discontinuidades
Donde FFio es la frecuencia del set i medida en la direccin normal a las discontinuidades.
29
C = FFio Sin( i )
i
Para obtener los valores de Xi, notemos que si tenemos N sets y mediciones en N direcciones,
entonces tenemos un sistema de N ecuaciones y N incgnitas, precisamente los Xi. Es evidente
que la precisin del mtodo depender de la buena caracterizacin de la zona en estudio, en
cuanto a conocer bien los sets que estn presentes (i, i), lo cual es complejo en zonas de poca
homogeneidad. Para esto, primero deben definirse claramente los principales sets estructurales,
ya sea mediante el uso de proyecciones estereogrficas, rosetas, o algn otro mtodo. Mejor an
sera contar con los Xio de cada set.
FF(s, s) nos permite tambin calcular RQD(s, s), utilizando las frmulas que relacionan FF
con RQD, mostradas en la seccin 3.1.2.
30
Desde el punto de vista de la geoestadstica, una poblacin es un conjunto de datos que tienen
alguna caracterstica cuantificable en comn, que los liga bajo un ordenamiento espacial. En este
sentido, resulta fundamental separar las distintas poblaciones antes de trabajarlas con
herramientas geoestadsticas. En el caso de variables geotcnicas esto puede ser muy complejo.
Para ejemplificar revisemos la FF. Esta toma en cuenta todo tipo de discontinuidades, ya sean
fallas, diaclasas, diques u otras. El punto es que cada tipo de discontinuidad podra ser una
poblacin diferente, pues en realidad la geologa que gobierna la presencia de fallas en una
determinada zona, no tiene porqu estar ligada necesariamente con la geologa que gobierna la
formacin de diques, y por lo tanto podran no tener una correlacin espacial. Adems, por
ejemplo bajo iguales condiciones tectnicas, zonas de distinta alteracin respondern de manera
diferente, por lo que la presencia de fallas y diaclasas, formarn poblaciones distintas
dependiendo de la alteracin de la zona en que se encuentran. As, es posible considerar una serie
de factores ms que van agregando complejidad al problema. Esto hace que la FF sea por
naturaleza una funcin de varias poblaciones. Por lo tanto, lo tericamente correcto, sera estimar
cada poblacin por separado (por ejemplo, diaclasas y diques de cada zona de alteracin), para
luego integrarlas y estimar la FF. Evidentemente esto no es factible, pues requerira una cantidad
de informacin y tiempo difcilmente disponible. En el caso de variables como el RMR, la
situacin es an ms compleja, pues no solo considera todos los tipos de discontinuidades,
adems considera la condicin de aguas, la condicin de estructuras, etc.
Si bien la definicin de unidades geotcnicas debiera ayudar a disminuir los efectos de lo
anterior, pues su objetivo es determinar volmenes con propiedades geotcnicas similares, donde
se supone que esta similitud se asocia a una gnesis de la variable relativamente comn, es claro
que en este tipo de variables son tantos los factores y poblaciones involucradas que al trabajarlas
geoestadsticamente hay un error difcilmente mitigable.
Por lo anterior, se podra creer que la geoestadstica no es una herramienta til para estimar
variables geotcnicas. Sin embargo, resulta pertinente agregar que las metodologas que
actualmente se utilizan para modelar, tampoco plantean soluciones para estos errores. Por lo
tanto, la posibilidad de que los modelos geoestadsticas sean la mejor opcin se mantiene intacta.
31
Como ya se ha mencionado, la gran mayora de las variables geotcnicas contienen un alto grado
de subjetividad. Esto conlleva a un error difcil de controlar, proveniente de los diferentes
criterios que puede haber a la hora de medir cuantitativamente factores de naturaleza cualitativa,
como son, entre otros:
Este error puede llevar a cuestionarse la idea de aplicar mucha rigurosidad y sofistificacin a la
hora de interpolar los datos, utilizando tcnicas como las geoestadsticas para obtener valores en
los sitios no muestreados, debido a que el error que contienen tales datos puede opacar cualquier
esfuerzo de este tipo.
Si bien en el presente estudio no se considera este problema, es decir, no es el objetivo discutir la
calidad de las muestras, la cuantificacin del error de medicin podra ser til si se comparara con
los beneficios que la geoestadstica aporta. De esta manera se podran indicar qu factores se
debiesen mejorar para obtener descripciones geomecnicas ms prolijas.
32
Como ya se ha dicho, la principal virtud de la geoestadstica es que considera el hecho de que los
valores que toma la variable en estudio no son independientes, el valor en un sitio contiene
informacin sobre los valores en los sitios vecinos. Esto, se traduce en una estructura espacial. La
pregunta es como describirla matemticamente.
El variograma experimental es una funcin de la distancia y de la direccin, y para una distancia
h y una direccin dadas, mide la similitud entre los datos que se encuentran a distancia h en esa
direccin, que equivale a describir cuantificar la continuidad espacial de la variable . Es esperable
que el variograma aumente con h, puesto que los pares de datos ms cercanos entre s debieran
ser ms similares. La meseta corresponde al valor donde el variograma se estabiliza, mientras que
33
Sea cual sea el estimador que se utilice, lo que se busca es predecir el valor de la variable
regionalizada en un punto dado, a partir de los datos que se tienen. En cuanto a la relacin entre
los datos y el valor estimado en un punto dado, el kriging se caracteriza por considerar los
siguientes aspectos:
Mientras ms lejana est la posicin del dato del sitio a estimar, menos influyente es,
menos peso tiene en el valor estimado.
Agrupamientos de los datos. A veces los datos no son adquiridos a partir de mallas
regulares, por lo que algunas zonas estn sobremuestreadas, no considerar esto producira
un sesgo en la estimacin, ya que tales zonas pesaran ms.
La estructura espacial de la variable. Si la variable se considera espacialmente continua
entonces el kriging privilegia los datos cercanos al sitio a estimar. Por el contrario, si la
variable es poco continua y presenta un efecto pepita considerable, los datos tienden a
pesar lo mismo, independiente de su posicin. Finalmente, en caso de que existan
direcciones preferenciales, se privilegia a los datos ubicados a lo largo de las direcciones
de mayor alcance.
Lo anterior hace al kriging un estimador particularmente preciso. Adems de esto, el kriging tiene
la ventaja de cuantificar la incertidumbre de la estimacin.
El kriging, asociado a la sigla BLUE, best linear unbiased estimator, se construye precisamente
bajo estas restricciones:
Es posible distinguir entre dos tipos de kriging, el simple y el ordinario. En el primero, se asume
conocido el valor promedio de la variable y permite compensar la falta de informacin cuando los
datos son escasos o estn muy alejados del sitio a estimar, el problema es que la media puede no
34
ser representativa de todo el espacio, ya que puede que distintas zonas tengan medias locales muy
diferentes. Por el contrario, en el kriging ordinario la media es desconocida, de modo que el
mtodo se adapta mejor en situaciones donde la media no es constante en el espacio.
A pesar de las ventajas mencionadas, el kriging tiene algunas limitaciones:
Por construccin entrega una estimacin ptima entre los estimadores lineales, lo que es
particularmente deficiente cuando la distribucin de los datos es muy asimtrica. Y como
veremos ms adelante, las variables geotcnicas suelen presentar este tipo de
distribuciones.
El mapa de valores estimados es ms regular que el mapa de valores reales. Es decir el
kriging suaviza, no permitiendo dar cuenta de la variabilidad real de la variable.
La varianza de estimacin en un sitio no depende de los valores de los datos, si no que
slo de su configuracin geomtrica y de su correlacin espacial.
La geoestadstica no lineal busca describir los valores en sitios desconocidos mediante una
distribucin de probabilidad. Esto no solo permite estimar el valor en el sitio, sino que tambin
permite calcular la incertidumbre asociada a la estimacin sin las falencias en que lo hace el
kriging, adems es posible extraer ms informacin, como asociar intervalos de confianza a la
estimacin y calcular la probabilidad un escenario dado, como que el valor de la variable en un
sitio sobrepase un valor umbral (ver figura 3.8).
En geoestadstica no lineal la variable en estudio z(x) se interpreta como una realizacin de una
funcin aleatoria Z(x). Por funcin aleatoria se entiende al conjunto de variables aleatorias
asociadas a cada punto del espacio, es decir en cada posicin el valor esta dado por una variable
aleatoria, y la funcin es el conjunto de tales variables. Por otro lado, una realizacin corresponde
a un escenario posible, dada la funcin aleatoria, o en otras palabras, dada una funcin aleatoria
es posible generar escenarios, o realizaciones. Las principales dificultades asociadas a los
mtodos no lineales son que es necesario asumir que la variable es estacionaria y adems se
requiere mayor informacin que en el caso del kriging. La hiptesis de estacionaridad consiste en
asumir que los valores que se encuentran en diferentes regiones del campo, presentan las mismas
estadsticas y pueden considerarse como distintas realizaciones de la misma funcin aleatoria. La
estacionaridad es clave para hacer inferencia estadstica, pues permite reemplazar distintas
realizaciones de una funcin aleatoria (que no se tienen), por una serie de muestras en el espacio.
Resulta pertinente distinguir entre funcin de distribucin a priori y a posteriori. La primera, que
equivale al histograma acumulado de los datos, describe la distribucin global de los valores, sin
diferenciar entre las diferentes zonas del rea de estudio. La segunda en cambio, llamada
tambin distribucin condicional a los datos, calcula la incertidumbre tomando en cuenta los
valores medidos en los sitios muestreados.
De lo anterior, se desprende que si se trabaja con la distribucin a priori, entonces la probabilidad
de que la variable supere un valor umbral es uniforme en todo el campo (porque no toma en
cuenta la ubicacin de los datos), lo que atenta contra el sentido comn de pensar que en zonas
donde las muestras presentan valores ms elevados, esa probabilidad debiera ser mayor. Adems,
35
3.3.3.1 Simulacin
Dada una funcin aleatoria, la simulacin no condicional busca generar realizaciones que
reproduzcan la estructura espacial de tal funcin. Si adems en tales realizaciones el valor en los
sitios donde hay dato es igual al valor del dato, entonces se habla de simulacin condicional,
donde se reproduce la funcin de distribucin a posteriori.
Debido a la inmensa complejidad de reproducir la distribucin espacial, es necesario adaptar el
caso de estudio a un caso ideal, o ms simple. La funcin aleatoria multigaussiana es tal que toda
combinacin lineal de valores de la funcin sigue una distribucin gaussiana, y se considera
como un caso ideal ya que es posible describirla conociendo tan solo la esperanza y la funcin de
covarianza, con lo cual queda totalmente determinada la estructura espacial. Para hacer uso de
esta idealizacin, es necesario transformar la variable original a una con distribucin
multigaussiana, esto se hace mediante la funcin anamorfosis, que se ver ms adelante. Una vez
transformada es posible realizar simulacin condicional mediante tcnicas como las bandas
36
37
n (h) =
1
E{| Y (x + h) Y (x) | n }
2
Es posible demostrar que si {Y(x + h), Y(x)} tienen una distribucin bigaussiana, entonces debe
satisfacerse la relacin:
(h)
1 (h)
= , para todo h.
Estos dos tests permitirn comprobar si nuestras variables satisfacen el carcter multigaussiano.
Nubes de Correlacin Diferida
39
Una unidad geotcnica corresponde a un volumen de macizo rocoso con propiedades geotcnicas
similares.
Desde el punto de vista de la geoestadstica o de los mtodos de interpolacin en general, la idea
de dividir el macizo rocoso en unidades geotcnicas es usar las muestras dentro de una unidad
para estimar valores en otras regiones dentro de la misma unidad, de lo contrario sera
equivalente a mezclar poblaciones diferentes para la estimacin. La definicin de unidades
geotcnicas debe considerar, entre otras cosas:
Es importante notar que las propiedades del macizo rocoso no se pueden medir directamente,
deben estimarse considerando tanto las propiedades de la roca intacta, como las caractersticas de
bloques que componen el macizo.
Se puede definir las unidades geotcnicas bsicas en funcin de los tipos de roca intacta
presentes en el rea[13]. Para esto, se deben considerar resultados de la caracterizacin geolgica y
superponer la litologa, la mineralizacin y la alteracin.
En cuanto a la caracterizacin geolgica, en los depsitos de tipo prfido cuprfero, es posible
encontrar una alteracin y mineralizacin tpica (zonas potsicas, cuarzo-serictica, arglica,
propilitica), de donde se desprende una zonificacin relativamente estndar (ver figura 3.11):
Materiales de superficie
Zona Lixiviada (xidos)
Zona de enriquecimiento secundario (mineralizacin suprgena)
Zona de enriquecimiento primario (mineralizacin hipgena)
40
Flores (2003) identifica algunas relaciones entre la zonificacin geolgica y las caractersticas
geotcnicas:
41
De esta forma, el modelo geolgico debe ser concordante con el modelo de unidades geotcnicas
bsicas.
Luego, a las unidades geotcnicas bsicas anteriores, es necesario agregar las propiedades del
macizo rocoso. Pues las distintas unidades geotcnicas deben tomar en cuenta, no solo las
propiedades de la roca intacta, sino que tambin otros factores como las estructuras, presencia de
agua, etc. Para esto, se utilizan ndices de calidad geotcnica asociados a algn sistema de
calificacin y clasificacin geotcnica de macizos rocosos, tales como el Q, RMR, MRMR, y
GSI.
En definitiva, debern considerarse factores de alteracin, mineralgicos, litolgicos, y
estructurales.
3.4.2 Tcnicas Actuales de Interpolacin
Promedios
Kriging Ordinario
Este mtodo, con respecto al anterior, presenta todas las ventajas comentadas en la seccin 3.3.2.
Estas ventajas debieran representar una considerable mejora en la estimacin e interpolacin si
se compara con el mtodo de los promedios. As, es posible encontrar estudios donde se ha
aplicado KO de bloques a la dureza de la roca[14], o aplicacin directa de KO al RQD para luego
definir dominios de meteorizacin a partir del modelo generado[15].
Sin embargo, en comparacin con los mtodos de simulacin que se utilizarn en este estudio, el
KO tiene las desventajas comentadas en la misma seccin 3.3.2, asociadas principalmente a la
deficiencia en la medicin de la incertidumbre de estimacin, lo cual se mejora si se prefieren las
tcnicas no lineales.
Kriging de Indicadores Multiples (MIK)
indicadores. Donde cada indicador corresponde a la proporcin de cada bloque que est sobre un
valor umbral de la variable. Por ejemplo, para valores de RMR de 40, 50 y 60, los indicadores
asociados para un posible modelo de bloque podran ser 0.8, 0.6 y 0.3, lo que significa que el
80% de los bloques est sobre 40, el 50% sobre 50 y el 40% sobre 60. Para este caso, la principal
virtud de esta metodologa es que los indicadores se trabajan como variables aditivas, siendo que
el RMR no lo es. Esto permitir describir la distribucin de la variable en cada bloque,
determinar medias, quantiles, incertidumbre y otra informacin[16].
El principal problema de este mtodo es que las funciones de distribucin son estimadas de
manera incompleta, ya que se trabaja una cantidad discreta de indicadores, luego es necesario
realizar interpolacin y extrapolaciones que permitan obtener una funcin continua. Adems, la
utilizacin de esta tcnica es menos conocida y ms compleja que el uso de la simulacin.
44
En funcin de todos los aspectos discutidos hasta ahora, se ha generado una propuesta
metodolgica de trabajo.
La metodologa general es la siguiente:
Estudio de la base de datos disponible para cada variable: Cantidad y distribucin espacial
de datos. Se debe revisar la posibilidad de considerar la direccionalidad, y estudiar cual es
el soporte de las muestras, pues recordemos que en variables no aditivas no es posible
realizar cambios de soporte.
Para cada variable y para cada UG se utilizar el 80% de los datos, separados
aleatoriamente, para generar el modelo de estimacin mediante tcnicas geoestadsticas.
Mientras que el 20% restante se usar para validar los resultados. Esta separacin de la
base de datos no se realizar para la FF subvertical ni subhorizontal, dado que son muy
pocos los datos, por lo tanto los resultados no sern validados.
En el caso del RMR, ste no se modelar mediante geoestadstica, sino que se har a partir
de las simulaciones de cada uno de
sus componentes. Es decir, en un bloque
45
46
El estudio se realiza con datos del proyecto Chuquicamata Subterrneo de Codelco. Por lo que
resulta pertinente revisar las generalidades del proyecto y algunos aspectos geotcnicos que sern
utilizados en el estudio.
Desde 1915 hasta la actualidad, se han extrado ms de 2530 millones de toneladas de mineral
con ley media de 1.53% de Cu del rajo de Chuquicamata, y actualmente se extrae a una tasa de
182000 TPD. Se espera que la vida del rajo se extienda hasta aproximadamente el 2018,
momento en que su profundidad exceder los 1000 [m]. Los estudios muestran que bajo el pit
final hay aproximadamente 2600 millones de toneladas de reservas con ley media de 0.83% de
Cu. La siguiente figura muestra la geometra del rajo y de la zona explotable bajo ste.
Falla
Oeste
Pared Este
911 m
Estril
144 m
Rajo final 2018
Adems el volumen RQS, se subdividi en tres zonas en funcin de la razn Cuarzo (Q)/Sericita
(S), que equivale al grado de alteracin de la roca. Estas zonas son Q>S, Q<S, Q=S.
Sin embargo, en el ltimo estudio realizado, se concluy en base a la tabla 5.1, lo siguiente:
Q<S y PEK como otros dos dominios independientes, como se muestra en la siguiente
figura.
PEK
49
50
6.- RESULTADOS
A continuacin se muestran, para cada variable, los resultados obtenidos mediante la metodologa
de simulacin descrita. Resulta pertinente agregar que con los modelos generados mediante
simulacin condicional es posible obtener ms informacin de la que aqu se muestra. Por
ejemplo se puede calcular la probabilidad de que la variable est bajo un valor umbral, o asociar
intervalos de confianza a la estimacin, calcular el valor medio de la variable sobre o bajo un
valor umbral, etc.
6.1 Rock Quality Designation (RQD)
Despliegue en planta de los datos
Las siguientes figuras corresponden a vistas en planta de los datos de RQD para cada UG.
X (m)
5500
5000
4500
5000
4500
4000
4500
Y (m)
Y (m)
Y (m)
Y (m)
4000
4000
3500
3500
3500
3000
3000
3000
2500
2500
2500
X (m)
Figura 6.1: Vista en planta de los datos del RQD para las UGs PEK (izq.), Q>S + PES
(centro) y Q<S (der.).
51
3750
3500
3250
3000
2750
4000
X (m)
3750
3500
3250
3000
2750
4000
3750
3500
3250
3000
X (m)
Histogramas
0.6
0.5
0.4
0.3
0.4
0.4
0.3
0.2
0.1
0.1
0.0
0.0
Nb Samples: 2589
Minimum:
6.667
Maximum:
100
Mean:
82.3009
Std. Dev.: 25.2284
0.5
0.5
0.2
0.3
0.2
0.1
0.0
100
50
100
50
100
50
rqd
rqd
rqd
Figura 6.2: Histogramas de los datos del RQD para las UGs PEK (izq.), Q>S + PES
(centro) y Q<S (der.).
Anlisis Variogrfico
W-E
Variogram : Gaussian
1.00
Variogram : rqd
Frequencies
0.6
0.7
Frequencies
0.7
rqd
Nb Samples: 15937
Minimum:
6.667
Maximum:
100
Mean:
93.775
Std. Dev.: 11.8854
Frequencies
Nb Samples: 9992
Minimum:
6.667
Maximum:
100
Mean:
94.3804
Std. Dev.: 10.3035
Frequencies
0.8
0.8
0.75
200
NS
0.50
100
Vertic
0.25
0.00
Distance (m)
1500
1000
500
1500
1000
500
Distance (m)
Distance (m)
Distance (m)
1.00
0.75
N-S
0.50
W-E
0.25
0.00
Variogram : gaussian
Cota
Variogram : gaussian
Variogram : gaussian
Variogram : gaussian
1.00
0.75
0.50
0.25
0.00
700
600
500
400
300
200
100
1000
900
800
700
600
500
400
300
200
100
Distance (m)
Distance (m)
2.0
1.00
vertic
1.5
Variogram : gaussianos
Variogram : gaussianos
0.75
N-S
1.0
0.50
W-E
0.5
0.25
0.0
0.00
600
500
400
300
200
100
1500
1000
500
Distance (m)
Distance (m)
53
Modelos Obtenidos
A continuacin se muestran mapas de estimacin, de incertidumbre y de probabilidad que el
RQD supere el valor de 80, para todos los casos se muestra una vista en planta de la cota 1940.
5000
5000
4500
4500
4500
Y (m)
Y (m)
Y (m)
5000
4000
4000
4000
3500
3500
3000
2500
3500
3000
2500
3000
2500
X (m)
4000
3750
3500
N/A
3250
40.00
35.00
30.00
25.00
20.00
15.00
10.00
5.00
0.00
3000
X (m)
4000
3750
3500
N/A
3250
3000
4000
3750
3500
3250
3000
X (m)
100.00
90.00
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
Figura 6. 6: Vista en planta de los modelos obtenidos mediante simulacin para RQD en la
UG PEK. Estimacin (izq), varianza (centro) y probabilidad de RQD>80 (der.).
X (m)
X (m)
X (m)
5000
4500
4500
4500
4000
4000
4000
3000
2500
2500
3500
2500
4000
X (m)
3750
3500
3250
N/A
3000
3000
40.00
35.00
30.00
25.00
20.00
15.00
10.00
5.00
0.00
2750
4000
X (m)
3750
3500
3250
N/A
3000
3000
100.00
90.00
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
2750
4000
3750
3500
3250
3000
2750
X (m)
3500
Y (m)
Y (m)
3500
Y (m)
Y (m)
Y (m)
5000
Y (m)
5000
Figura 6. 7: Vista en planta de los modelos obtenidos mediante simulacin para RQD en la
UG Q>S+PES. Estimacin (izq), varianza (centro) y probabilidad de RQD>80 (der.).
54
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
4500
4000
4000
4000
3500
3000
2500
3500
3500
3000
3000
2500
N/A
X (m)
40.00
35.00
30.00
25.00
20.00
15.00
10.00
5.00
0.00
2500
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
X (m)
100.00
90.00
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
Y (m)
4500
Y (m)
Y (m)
4500
N/A
X (m)
Figura 6.8: Vista en planta de los modelos obtenidos mediante simulacin para RQD en la
UG Q<S. Estimacin (izq), varianza (centro) y probabilidad de RQD>80 (der.).
.
Tras realizar la validacin de los resultados obtenidos utilizando simulacin y luego promedio,
mediante Jack Knife, se obtuvieron los resultados de las tablas 6.1, 6.2 y 6.3.
Estimador
Simulacin
Promedio
MAE
4,92
6,32
MSE
63,56
98,13
E relativo
5,2%
6,7%
Tabla 6.1: Errores de estimacin del RQD en la UG PEK mediante los mtodos de simulacin y
promedio.
Estimador
Simulacin
Promedio
MAE
5,52
7,23
MSE
93,18
156,36
E relativo
5,9%
7,7%
Tabla 6.2: Errores de estimacin del RQD en la UG Q>S+PES mediante los mtodos de
simulacin y promedio.
Estimador
Simulacin
Promedio
MAE
15,38
23,15
MSE
1125,5
1542,8
E relativo
19,22%
28,13%
Tabla 6.3: Errores de estimacin del RQD en la UG Q<S mediante los mtodos de simulacin y
promedio.
55
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
irs
irs
5000
4500
5000
4500
4000
Y (m)
4000
4000
Y (m)
Y (m)
4500
3500
3500
3500
3000
3000
3000
2500
2500
2500
3750
3500
3250
3000
2750
4000
3750
3500
3250
3000
2750
4000
3750
3500
3250
3000
X (m)
Figura 6.9: Vista en planta de los datos del IRS para las UGs PEK (izq.), Q>S + PES
(centro) y Q<S (der.).
X (m)
X (m)
Histogramas
A continuacin, se muestra la distribucin estadstica de la variable dentro de cada UG, adems
es posible apreciar las estadsticas bsicas asociadas a tales distribuciones.
0.3
0.20
Nb Samples: 2634
Minimum:
0.95
Maximum:
240
Mean:
61.2498
Std. Dev.: 35.025
Frequencies
Frequencies
0.2
0.25
Frequencies
Nb Samples: 10180
Minimum:
4.5
Maximum:
250
Mean:
130.175
Std. Dev.: 41.9671
0.15
0.10
0.10
0.1
0.05
0.05
0.00
0.00
200
100
irs
200
200
100
irs
100
0.0
irs
Figura 6.10: Histogramas de los datos del IRS para las UGs PEK (izq.), Q>S + PES
(centro) y Q<S (der.).
56
Anlisis Variogrfico
Variogram : Gaussianos
N-S
1.5
Variogram : Gaussianos
1.25
2.0
1.00
0.75
W-E
1.0
0.50
Cota
0.5
0.25
0.0
0.00
800
700
600
500
400
300
200
100
900
800
700
600
500
400
300
200
100
Distance (m)
Distance (m)
1.00
Cota
Variogram : Gaussian
Variogram : Gaussian
1.5
0.75
1.0
W-E
0.5
N-S
0.0
0.50
0.25
0.00
700
600
500
400
300
200
100
1000
900
800
700
600
500
400
300
200
100
Distance (m)
Distance (m)
57
1.25
Variogram : Gaussianos
4000
1.00
Variogram : irs
Cota
3000
0.75
W-E
2000
0.50
N-S
1000
0.25
0.00
700
600
500
400
300
200
100
800
700
600
500
400
300
200
100
Distance (m)
Distance (m)
4500
4500
4500
Y (m)
Y (m)
4000
Y (m)
Devest
5000
3500
3500
4000
3500
3000
2500
3000
2500
2500
X (m)
4000
3750
3500
N/A
3000
3250
40.00
35.00
30.00
25.00
20.00
15.00
10.00
5.00
0.00
3000
X (m)
4000
3750
3500
3250
N/A
4000
3000
4000
3750
3500
3250
3000
X (m)
250.00
225.00
200.00
175.00
150.00
125.00
100.00
75.00
50.00
25.00
0.00
5000
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
Figura 6. 14: Vista en planta de los modelos obtenidos mediante simulacin para IRS en la
UG PEK. Estimacin (izq), varianza (centro) y probabilidad de IRS>100 (der.).
58
5000
4500
4500
4500
4000
4000
4000
3500
3000
2500
Y (m)
3500
3500
3000
2500
3000
2500
4000
3750
3500
3250
N/A
3000
X (m)
72.00
63.00
54.00
45.00
36.00
27.00
18.00
9.00
0.00
2750
4000
3750
3500
3250
N/A
3000
2750
4 00 0
3 75 0
3 50 0
3 25 0
3 00 0
2 75 0
X (m)
260.00
234.00
208.00
182.00
156.00
130.00
104.00
78.00
52.00
26.00
0.00
Y (m)
5000
Y (m )
5000
X (m)
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
4500
4500
4000
4000
4000
3500
3000
2500
3000
2500
X (m)
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
N/A
3500
3000
2500
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
N/A
3500
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
X (m)
240.00
216.00
192.00
168.00
144.00
120.00
96.00
72.00
48.00
24.00
0.00
Y (m)
4500
Y (m)
Y (m)
Figura 6. 15: Vista en planta de los modelos obtenidos mediante simulacin para IRS en la
UG Q>S+PES. Estimacin (izq), varianza (centro) y probabilidad de IRS>100 (der.).
X (m)
Figura 6.16: Vista en planta de los modelos obtenidos mediante simulacin para IRS en la
UG Q<S. Estimacin (izq), varianza (centro) y probabilidad de IRS>100 (der.).
59
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
Tras realizar la validacin de los resultados obtenidos utilizando simulacin y luego promedio,
mediante Jack Knife, se obtuvieron los resultados de la tabla 6.4, 6.5 y 6.6.
Estimador
Simulacin
Promedio
MAE
5,76
34,71
MSE
98,02
1825,84
E relativo
4,4%
2,7%
Tabla 6.4: Errores de estimacin del IRS en la UG PEK mediante los mtodos de simulacin y
promedio.
Estimador
Simulacin
Promedio
MAE
7,96
31,09
MSE
166,86
1820,65
E relativo
8,7%
34,1%
Tabla 6.5: Errores de estimacin del IRS en la UG Q>S+PES mediante los mtodos de
simulacin y promedio.
Estimador
Simulacin
Promedio
MAE
7,01
26,44
MSE
167,49
1255,4
E relativo
11,5%
43,3%
Tabla 6.6: Errores de estimacin del IRS en la UG Q<S mediante los mtodos de simulacin y
promedio.
60
X (m)
X (m)
JC
JC
5000
4500
5000
4500
4500
4000
Y (m)
Y (m)
Y (m)
Y (m)
Y (m)
4000
4000
3500
3500
3500
3000
3000
3000
2500
2500
2500
3750
3500
X (m)
3250
3000
2750
4000
3750
3500
X (m)
3250
3000
2750
X (m)
Figura 6.17: Despliegue en planta de los datos de JC para cada UG. PEK (izq.),
Q>S+PES (centro) y Q<S (der.).
Histogramas
0.3
Nb Samples: 2600
Minimum:
8
Maximum:
21
Mean:
14.6308
0.3 Std. Dev.: 2.02936
Nb Samples: 15895
Minimum:
9
Maximum:
23
Mean:
16.3956
Std. Dev.: 2.04357
0.2
0.1
0.1
Frequencies
Frequencies
Frequencies
0.2
Frequencies
0.3
0.2
0.1
0.0
22.5
20.0
JC
17.5
15.0
12.5
JC
0.0
10.0
0.0
10.0 12.5 15.0 17.5 20.0 22.5
7.5
Figura 6.18: Histogramas de los datos del JC para las UGs PEK (izq.), Q>S + PES (centro)
61
y Q<S (der.).
Anlisis Variogrfico
1.25
Distance (m)
Distance (m)
12.5
Variogram : JC
5.0
Cota
0.75
0.50
0.25
2.5
0.0
Variogram : Gausianos
N-S
Variogram : JC
7.5
Variogram : Gausianos
1.00
W-E
10.0
0.00
100
Distance (m)
200
300
400
500
600
Distance (m)
Variogram : JC
W-E
4
Variogram : Gaussianos
1.00
0.75
3
Cota
0.50
2
N-S
0.25
0.00
100
200
300
400
500
Distance (m)
62
600
Variogram : gausianos
Variogram : gausianos
1.00
Cota
0.75
N-S
0.50
W-E
0.25
0.00
100
Distance (m)
200
300
400
500
600
Distance (m)
X (m)
4500
4500
4500
4000
4000
3500
3000
2500
3500
3000
2500
2500
4000
3750
3500
N/A
3000
3250
3.00
2.50
2.00
1.50
1.00
0.50
0.00
3000
4000
X (m)
3750
3500
3250
N/A
3500
3000
4000
3750
3500
3250
3000
X (m)
22.00
21.07
20.14
19.21
18.29
17.36
16.43
15.50
14.57
13.64
12.71
11.79
10.86
9.93
9.00
Y (m)
4000
Y (m)
5000
Y (m)
5000
Y (m)
5000
Y (m)
Y (m)
X (m)
X (m)
Figura 6. 22: Vista en planta de los modelos obtenidos mediante simulacin para JC en la
UG PEK. Estimacin (izq), varianza (centro) y probabilidad de JC>15 (der.).
63
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
5000
5000
4500
4500
4500
4000
4000
3500
3000
2500
2750 3000 3250 3500 3750 4000
X (m)
23.00
22.07
21.13
20.20
19.27
18.33
17.40
16.47
15.53
14.60
13.67
12.73
11.80
10.87
9.93
9.00
Y (m)
Y (m)
4000
Y (m)
5000
3500
3500
3000
2500
2750 3000 3250 3500 3750 4000
N/A
X (m)
1.00
0.88
0.75
0.63
0.50
0.38
0.25
0.13
0.00
3000
2500
2750 3000 3250 3500 3750 4000
N/A
X (m)
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
4500
4000
4000
3500
3000
2500
3500
3000
2500
X (m)
2.00
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00
N/A
3500
3000
2500
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
N/A
4500
4000
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
2700
X (m)
21.00
20.07
19.14
18.21
17.29
16.36
15.43
14.50
13.57
12.64
11.71
10.79
9.86
8.93
8.00
dst
Y (m)
4500
Y (m)
Y (m)
Figura 6. 23: Vista en planta de los modelos obtenidos mediante simulacin para JC en la
UG Q>S+PES. Estimacin (izq), varianza (centro) y probabilidad de JC>15 (der.).
X (m)
Figura 6.24: Vista en planta de los modelos obtenidos mediante simulacin para JC en la
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
N/A
Tras realizar la validacin de los resultados obtenidos utilizando simulacin y luego promedio,
mediante Jack Knife, se obtuvieron los resultados de la tabla 6.7, 6.8 y 6.9.
Estimador
Simulacin
Promedio
MAE
0,57
1,72
MSE
0,77
4,23
E relativo
3,4%
10,5%
Tabla 6.7: Errores de estimacin del JC en la UG PEK mediante los mtodos de simulacin y
promedio.
Estimador
Simulacin
Promedio
MAE
0,59
1,68
MSE
0,75
4,13
E relativo
3,6%
10,3%
MAE
0,6
1,73
MSE
0,75
4,13
E relativo
4,1%
11,8%
Tabla 6.9: Errores de estimacin del JC la UG Q<S mediante los mtodos de simulacin y
promedio.
65
5500
X (m)
5000
4500
5000
4500
4000
Y (m)
Y (m)
4000
Y (m)
4000
Y (m)
Y (m)
4500
3500
3500
3500
3000
3000
3000
2500
2500
2500
3750
X (m)
3500
3250
X (m)
X (m)
3000
2750
4000
3750
3500
3250
3000
2750
30003250350037504000
Figura 6.25: Vista en planta de los datos de la FFO para las UGs PEK (izq.), Q>S + PES
(centro) y Q<S (der.).
Histogramas
A continuacin, se muestra la distribucin estadstica de la variable dentro de cada UG, adems
es posible apreciar las estadsticas bsicas asociadas a tales distribuciones.
Frequencies
Frequencies
0.7
0.6
0.5
0.2
0.5
0.4
0.3
Frequencies
0.6
0.3
ff
Nb Samples: 2616
Minimum:
0
Maximum:
88
Mean:
6.57875
Std. Dev.: 10.2556
Frequencies
0.7
0.8
Nb Samples: 15891
Minimum:
0
Maximum:
92
Mean:
2.52495
Std. Dev.: 3.24159
Frequencies
ff
Nb Samples: 10087
Minimum:
0
Maximum:
48
Mean:
2.35461
Std. Dev.: 2.68996
0.8
0.4
0.3
0.1
0.2
0.2
0.1
0.1
90
80
66
70
Figura 6.26: Histogramas de los datos de la FFO para las UGs PEK (izq), Q>S + PES
(centro) y Q<S (der)
60
ff
50
40
ff
ff
0.0
30
50
20
40
10
30
20
100
10
50
0.0
0.0
Anlisis Variogrfico
Distance (m)
Distance (m)
1.00
0.5
W-E
Variogram : Gaussianos
N-S
0.75
0.50
0.25
0.00
Variogram : Gaussianos
Cota
1.0
0.0
Variogram : Gaussianos
Variogram : Gaussianos
1.5
100
200
Distance (m)
300
400
500
600
Distance (m)
1.00
Cota
0.75
N-S
0.50
W-E
0.25
Variogram : gausianos
Variogram : gausianos
1.00
0.75
0.50
0.25
0.00
0.00
700
600
500
400
300
200
100
1000
900
800
700
600
500
400
300
200
100
Distance (m)
Distance (m)
67
Distance (m)
Distance (m)
250
1.00
100
W-E
Variogram : Gaussianos
Variogram : ff
N-S
Variogram : ff
150
Variogram : Gaussianos
Cota
200
0.75
0.50
0.25
50
0.00
600
Distance (m)
500
400
300
200
100
800
700
600
500
400
300
200
100
Distance (m)
Figura 6. 30: Vista en planta de los modelos obtenidos mediante simulacin para la FFO en
la UG PEK. Estimacin (izq), varianza (centro) y probabilidad de FFO>3 (der.).
68
Figura 6. 31: Vista en planta de los modelos obtenidos mediante simulacin para la FFO en
la UG Q>S+PES. Estimacin (izq), varianza (centro) y probabilidad de FFO>3 (der.).
Figura 6.32: Vista en planta de los modelos obtenidos mediante simulacin para la FFO en
la UG Q<S. Estimacin (izq), varianza (centro) y probabilidad de FFO>3 (der.).
.
69
Tras realizar la validacin de los resultados obtenidos utilizando simulacin y luego promedio,
mediante Jack Knife, se obtuvieron los resultados de la tabla 6.10, 6.11 y 6.12.
Estimador
Simulacin
Promedio
MAE
1,09
1,64
MSE
3,78
7,35
E relativo
47,5%
71,1%
Tabla 6.10: Errores de estimacin del FFO en la UG PEK mediante los mtodos de simulacin y
promedio.
Estimador
Simulacin
Promedio
MAE
1,17
1,67
MSE
5,22
8,79
E relativo
47,4%
68%
Tabla 6.11: Errores de estimacin del FFO en la UG Q>S+PES mediante los mtodos de
simulacin y promedio.
Estimador
Simulacin
MAE
3,11
MSE
30,4
E relativo
58,4%
Promedio
5,18
68,6
97,1%
Tabla 6.12: Errores de estimacin del FFO en la UG Q<S mediante los mtodos de simulacin y
promedio.
70
X (m)
X (m)
2250
2250
2000
2000
2250
Z (m)
Z (m)
1750
Z (m)
Z (m)
Z (m)
Z (m)
2000
1750
1750
1500
1500
1250
1250
1500
1250
3600
3500
X (m)
3400
3300
3200
3100
3000
2900
3700
3600
3500
X (m)
3400
3300
3200
3100
3000
2900
2800
3700
3600
3500
3400
3300
3200
3100
3000
X (m)
Figura 6.33: Vista en planta de los datos de la FFSH para las UGs PEK (izq.), Q>S + PES (centro) y
Q<S (der.).
Histogramas
A continuacin, se muestra la distribucin estadstica de la variable dentro de cada UG, adems
es posible apreciar las estadsticas bsicas asociadas a tales distribuciones.
0.4
Frequencies
0.5
Frequencies
0.2
0.2
ff
Nb Samples: 1501
Minimum:
0
Maximum:
88
Mean:
8.76549
Std. Dev.: 12.5301
0.6
Frequencies
Frequencies
0.3
Frequencies
0.3
ff
Nb Samples: 4432
Minimum:
0
Maximum:
56
Mean:
3.70758
Std. Dev.: 5.04329
Frequencies
ff
Nb Samples: 2695
Minimum:
0
Maximum:
48
Mean:
2.96883
Std. Dev.: 3.47754
0.4
0.3
0.2
0.1
0.1
0.1
0.0
0.0
Variogramas
71
90
Figura 6.34: Histogramas de los datos de la FFSH para las UGs PEK (izq.), Q>S + PES
(centro) y Q<S (der.).
80
ff
70
60
50
40
30
20
10
50
ff
40
30
20
10
50
40
30
20
10
ff
0.0
Distance (m)
Distance (m)
100
15
Cota
50
Variogram : ff
75
Variogram : ff
Variogram : ff
Variogram : ff
W-E
10
N-S
25
0
600
Distance (m)
500
400
300
200
100
600
500
400
300
200
100
Distance (m)
Distance (m)
Distance (m)
Variogram : ff
Variogram : ff
N-S
100
Cota
50
W-E
Variogram : gausianos
150
Variogram : gausianos
1.5
1.0
0.5
0.0
72
700
Distance (m)
600
500
400
300
200
100
800
700
600
500
400
300
200
100
Distance (m)
Distance (m)
Distance (m)
700
N-S
200
W-E
500
400
300
Variogram : ff
Variogram : ff
Cota
Variogram : Gaussianos
600
Variogram : Gaussianos
1.25
1.00
0.75
0.50
0.25
100
0
0.00
700
Distance (m)
600
500
400
300
200
100
600
500
400
300
200
100
Distance (m)
Figura 6.38: Vista en planta de los modelos obtenidos mediante simulacin para FFSH en la
UG PEK. Estimacin (izq), varianza (centro) y probabilidad de FFSH>3 (der.).
73
Figura 6.39: Vista en planta de los modelos obtenidos mediante simulacin para FFSH en la
UG Q>S+PES. Estimacin (izq), varianza (centro) y probabilidad de FFSH>3 (der.).
Figura 6.40: Vista en planta de los modelos obtenidos mediante simulacin para FFSH en la
UG Q<S. Estimacin (izq), varianza (centro) y probabilidad de FFSH>3 (der.).
74
2200
Z (m)
2100
2100
1900
2000
Z (m)
2000
1800
1900
3700
3600
3500
3400
3300
3200
3100
3000
X (m)
1800
2200
2100
1700
2000
Z (m)
3300
X (m)
3200
3100
3000
2900
2800
1900
1800
1700
1600
3700
3600
3500
3400
3300
3200
3100
3000
2900
2800
X (m)
correctamente.
Histogramas
A continuacin, se muestra la distribucin estadstica de la variable dentro de cada UG, adems
es posible apreciar las estadsticas bsicas asociadas a tales distribuciones
0.3
0.4
0.2
0.3
Nb Samples: 451
Minimum:
0
Maximum:
42
Mean:
5.07539
Std. Dev.: 5.65125
0.4
0.3
Frequencies
Frequencies
0.5
Nb Samples: 5478
Minimum:
0
Maximum:
16
Mean:
2.01625
Std. Dev.: 1.58659
Frequencies
Nb Samples: 3535
Minimum:
0
Maximum:
42
Mean:
1.61528
Std. Dev.: 1.62258
0.6
0.2
0.2
0.1
0.1
0.1
0.0
0.0
0.0
ff
Figura 6.42: Histogramas de los datos del FFSV para las UGs PEK (izq.), Q>S + PES
(centro) y Q<S (der.).
75
40
30
20
10
ff
15
10
50
40
30
20
10
ff
Variograma
1.25
Variogram : gaussianas
30
W-E
Variogram : ff
1.00
20
0.75
N-S
0.50
10
Cota
0.25
0.00
700
Distance (m)
600
500
400
300
200
100
600
500
400
300
200
100
Distance (m)
8
7
Variogram : Gausianos
1.00
Variogram : ff
Cota
6
0.75
5
N-S
0.50
3
W-E
0.25
1
0
0.00
700
Distance (m)
600
500
400
300
200
100
700
600
500
400
300
200
100
Distance (m)
76
1.5
900
700
Variogram : ff
W-E
Variogram : Gauss
800
1.0
600
500
Cota
400
0.5
300
N-S
200
100
0.0
700
Distance (m)
600
500
400
300
200
100
400
300
200
100
Distance (m)
Figura 6. 45: Vista en planta de los modelos obtenidos mediante simulacin para FFSV en
la UG PEK. Estimacin (izq), varianza (centro) y probabilidad de FFSV>3 (der.).
77
Figura 6. 46: Vista en planta de los modelos obtenidos mediante simulacin para FFSV en
la UG Q>S+PES. Estimacin (izq), varianza (centro) y probabilidad de FFSV>3 (der.).
Figura 6.47: Vista en planta de los modelos obtenidos mediante simulacin para
FFSV en la UG Q<S. Estimacin (izq), varianza (centro) y probabilidad de FFSV>3
(der.).
78
0.20
0.3
rmr
Nb Samples: 2595
Minimum:
36
Maximum:
85
Mean:
71.4563
Std. Dev.: 6.18357
0.25
rmr
Nb Samples: 3913
Minimum:
37
Maximum:
85
Mean:
69.4482
Std. Dev.: 6.11759
0.20
Frequencies
Frequencies
0.10
Frequencies
Frequencies
Frequencies
Frequencies
0.2
0.15
rmr
Nb Samples: 602
Minimum:
33
Maximum:
81
Mean:
63.1462
Std. Dev.: 9.25238
0.15
0.10
0.1
0.05
0.05
0.00
0.0
0.00
rmr
Figura 6.48: Histogramas de los datos del RMR para las UGs PEK (izq.), Q>S + PES
(centro) y Q<S (der.)
Modelos Obtenidos
Los modelos de RMR se obtuvieron a partir de los modelos de RQD, IRS, UCS y FF, utilizando
la metodologa descrita en la seccin 4.
Figura 6. 49: Vista en planta de los modelos obtenidos para el RMR en la UG PEK.
Estimacin (izq), varianza (centro) y probabilidad de RMR>70 (der.).
79
80
70
60
50
40
30
80
rmr
70
60
50
40
80
70
60
50
40
rmr
Figura 6. 50: Vista en planta de los modelos obtenidos mediante simulacin para el RMR en
la UG Q>S+PES. Estimacin (izq), varianza (centro) y probabilidad de RMR>70 (der.).
Figura 6. 51: Vista en planta de los modelos obtenidos mediante simulacin para el RMR en
la UG Q<S. Estimacin (izq), varianza (centro) y probabilidad de RMR> 70 (der.).
80
A continuacin se muestran los resultados del Jack Knife para la metodologa de clculo
propuesta en este trabajo (ver seccin 5) y para la simulacin.
Estimador
M. propuesto
Promedio
MAE
0,44
4,93
MSE
1,11
38,24
E relativo
0,61%
6,9%
Tabla 6.13: Errores de estimacin del RMR en la UG PEK mediante la metodologa propuesta y
el promedio.
Estimador
M .propuesto
Promedio
MAE
0,46
4,68
MSE
1,62
37,42
E relativo
0,67%
6,74%
MAE
0,8
7
MSE
3
85,61
E relativo
1,2%
11%
Tabla 6.15: Errores de estimacin del RMR en la UG Q<S mediante la metodologa propuesta y
el promedio.
81
CONCLUSIONES
de muestras, o slo un porcentaje de ellas. En este caso puntual, se obtuvieron exactamente las
mismas medias utilizando el 80% de los datos y luego utilizando el 20% de los datos.
Por las razones anteriores se recomienda incorporar el uso de la geoestadstica, en particular la
simulacin, como herramienta de modelamiento en futuros proyectos geotcnicos. Es importante
destacar que en ste caso la etapa de transferencia tecnolgica es de bajo costo, pues todas las
mineras cuentan con softwares que tienen herramientas geoestadsticas y debieran contar con
alguien que supiera utilizarlas para el modelamiento de leyes, luego el modelamiento de variables
geotcnicas no debiera requerir mayores conocimientos extras, solo estudiar la naturaleza de estas
variables y como tomarlas en cuenta.
RECOMENDACIONES
Lo siguiente son recomendaciones para el uso de este trabajo y para posibles futuros estudios que
se realicen:
Sera interesante estudiar con ms detalle la relacin entre la dispersin de los datos y los errores
cometidos con los modelos en cuestin, de modo de conocer de antemano las mejoras que es
posible obtener con la metodologa aqu propuesta.
Se recomienda chequear los modelos obtenidos con los modelos geolgicos con que cuenta el
proyecto. Tambin sera interesante poder validar con sondajes geotcnicos que se hagan en el
futuro y/o mediante tcnicas geofsicas.
Qued demostrada la importancia de la direccionalidad de la FF, sin embargo, en este trabajo
solo se consideraron dos direcciones. En la seccin 3.2.2 (variables direccionales) se discuti una
metodologa que apunta a generar un modelo de frecuencia de fractura continuo para todo
ngulo, es decir, a partir de las muestras, encontrar una funcion FF(s, s). Sera interesante
aplicar tal metodologa en trabajos futuros y evaluar la calidad del modelo encontrado, en caso de
que el modelo sea afn a la realidad, se estara ganando enormemente en cuanto a cantidad de
informacin.
Como vimos, la simulacin no slo mejora la estimacin de las variables geotcnicas, tambin
permite analizar distintos escenarios y cuantificar la incertidumbre de la estimacin. En este
contexto, es claro que el paso siguiente es estudiar las posibles utilidades prcticas en geotecnia
de esta informacin que se genera con la simulacin. Es decir, como transformar los modelos de
incertidumbre y los anlisis de escenarios en factores de decisin en el diseo minero. A medida
que estos conceptos se desarrollen, es probable que el uso de la simulacin se convierta con el
tiempo en una herramienta indispensable, tal como ha ocurrido en el caso de las leyes. A
continuacin algunos ejemplos de esto.
-
84
9.- BIBLIOGRAFIA
Bibliografa.
Rock Mechanics for Underground Mining, Third Edition, B.H.G. Brady and E.T. Brown.
Guas Geotcnicas para una transicin desde rajo abierto a Minera subterrnea, Germn
Flores, 2003.
[1]
[2]
[3]
[4]
[5]
Bienawsky, 1973.
[6]
Laubscher, 1975.
85
[7]
[8]
[9]
[10]
[11]
[12]
Guas Geotcnicas para una trancisin desde rajo abierto a Minera subterrnea,
Flores 2003.
[13]
Guas Geotcnicas para una trancisin desde rajo abierto a Minera subterrnea,
Flores 2003.
[14]
[15]
[16]
86
10.- ANEXOS
A cada una de las muestras de sondajes geotcnicos se le asocian los campos de la siguiente
tabla:
CAMPO
CSONDAJE
QDESDE
QHASTA
QRECUPERADO
QSUMATROZOS
QANG30G
QANG60G
QANG90G
QFRACER
QJRC
QESPESOR
CTIPORELLENO
TTIPOABREV
CTAMRELLENO
CALTPAREDES
TDANOESTRUC
QRSI_R1
QRSI_R2
PLT
CGSI
TGSI_R1
TGSI_R2
TOBSERV
QRMR
QMRMR1
QMRMR2
QFCA30G
QFCA60G
QFCA90G
QJCONDITION
TTROZOS
CLITOLOGIA
CALTERACION
CUGEOL
CUGEOT
QESPACIAMIENTO
QFF
QRQD
DESCRIPCIN
Nombre del sondaje
Metraje inicial del tramo (a un soporte de 1.5 m.)
Metraje final del tramo (a un soporte de 1.5 m.)
Total recuperado en este trozo del mapeo
Suma de los trozos mayores o iguales a 10 cm
Cantidad de fracturas abiertas de ngulos de 30 grados
Cantidad de fracturas abiertas de ngulos de 60 grados
Cantidad de fracturas abiertas de ngulos de 90 grados
Total de fracturas cerradas
Rugosidad de Laubsher
Espesor de todo el relleno expresado en cm
Cdigo del tipo de relleno principal
Abreviaturas de todos los rellenos presentes en el tramo
Cdigo del tamao del relleno principal
Cdigo de alteracin de las paredes
Dao estructural, puede ser alto, medio, bajo o nulo
Inicio del rango de IRS
Fin del rango de IRS
Point Load Test
Cdigo del GSI Alfabtico
Inicio del rango de GSI
Fin del rango de GSI
Observacin general del tramo mapeado
Clculo de RMR para este tramo
Clculo de MRMR en su primera modalidad del tramo
Clculo de MRMR en su segunda modalidad del tramo
Cantidad de fracturas cerradas de ngulos de 30 grados
Cantidad de fracturas cerradas de ngulos de 60 grados
Cantidad de fracturas cerradas de ngulos de 90 grados
Joint Condition
Trozos mayores o iguales a 5 cm. (separados por ;)
Cdigo de Litologa de este tramo
Cdigo de Alteracin de este tramo
Cdigo de Unidad Geolgica de este tramo
Cdigo de Unidad Geotcnica de este tramo
Espaciamiento
Frecuencia de Fractura
RQD
87
ORIGEN
Dato duro
Dato duro
Dato duro
Dato duro
Calculado
Dato duro
Dato duro
Dato duro
Calculado
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Calculado
Calculado
Calculado
Dato duro
Dato duro
Dato duro
Calculado
Dato duro
Dato duro
Dato duro
Dato duro
Dato duro
Calculado
Calculado
Calculado
ESPESOR
<5
>= 5
<5
>= 5
f
4
2
2
0
>= 0
>2
>6
> 10
> 16
<= 2
<= 6
<= 10
<= 16
<= 20
0
1
3
5
6
89
f
0
1
2
3
4
5
6
7
8
9
10
11
12
15
PuntRQD = f(RQD), una funcin en base al valor del RQD. Esta funcin se evala slo si el
valor del RQD no es nulo, de de lo contrario no se evala, ni tampoco se
evaluar RMR y finalmente quedar en nulo.
RANGO DE RQD
<= 25
> 25
<= 30
> 30
<= 35
> 35
<= 40
> 40
<= 45
> 45
<= 50
> 50
<= 55
> 55
<= 60
> 60
<= 65
> 65
<= 70
> 70
<= 75
> 75
<= 78
> 78
<= 82
> 82
<= 86
> 86
<= 90
> 90
<= 93
> 93
<= 96
> 96
<= 100
f
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
f
20
15
10
8
5
(es constante)
90
PROMEDIO IRS
>0
<= 3
>3
<= 14
> 14
<= 24
> 24
<= 34
> 34
<= 44
> 44
<= 54
> 54
<= 64
> 64
<= 74
> 74
<= 84
> 84
<= 94
> 94
<= 104
> 104
<= 114
> 114
<= 124
> 124
<= 134
> 134
<= 144
> 144
<= 154
> 154
<= 164
> 164
<= 174
> 174
<= 184
> 184
F
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
20
PuntFFLaub = f(joint, ff), una funcin en base al nmero (por tipo) y frecuencia de fracturas
y ser evaluada slo si el nmero de fracturas (joint) no es nulo. De lo
contrario no se evala, ni tampoco se evaluar MRMR1 y finalmente
quedar en nulo.
Joint
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Rango FF
< 0.1
>= 0.1
<= 0.25
> 0.25
<= 0.30
> 0.30
<= 0.50
> 0.50
<= 0.80
> 0.80
<= 1.00
> 1.00
<= 1.50
> 1.50
<= 2.00
> 2.00
<= 3.00
> 3.00
<= 5.00
> 5.00
<= 7.00
> 7.00
<= 10.00
> 10.00
<= 15.00
> 15.00
<= 20.00
> 20.00
<= 30.00
> 30.00
<= 40.00
91
f
40
40
38
36
34
31
29
26
24
21
18
15
12
10
7
5
Joint
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
Rango FF
< 0.1
>= 0.10
<= 0.20
>= 0.20
<= 0.25
> 0.25
<= 0.30
> 0.30
<= 0.50
> 0.50
<= 0.80
> 0.80
<= 1.00
> 1.00
<= 1.50
> 1.50
<= 2.00
> 2.00
<= 3.00
> 3.00
<= 5.00
> 5.00
<= 7.00
> 7.00
<= 10.00
> 10.00
<= 15.00
> 15.00
<= 20.00
> 20.00
<= 30.00
> 30.00
<= 40.00
f
40
40
38
36
34
31
28
26
24
21
18
15
12
10
7
5
2
Joint
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
Rango FF
< 0.1
>= 0.10
<= 0.15
>= 0.15
<= 0.20
>= 0.20
<= 0.25
> 0.25
<= 0.30
> 0.30
<= 0.50
> 0.50
<= 0.80
> 0.80
<= 1.00
> 1.00
<= 1.50
> 1.50
<= 2.00
> 2.00
<= 3.00
> 3.00
<= 5.00
> 5.00
<= 7.00
> 7.00
<= 10.00
> 10.00
<= 15.00
> 15.00
<= 20.00
> 20.00
<= 30.00
> 30.00
<= 40.00
f
40
40
38
36
34
31
28
26
24
21
18
15
12
10
7
5
2
0
92
>= 0
>= 1
>= 2
>= 3
>= 4
>= 5
>= 6
>= 7
>= 8
>= 9
>= 10
>= 11
>= 12
>= 13
>= 14
>= 15
>= 16
>= 17
>= 18
>= 19
<1
<2
<3
<4
<5
<6
<7
<8
<9
< 10
< 11
< 12
< 13
< 14
< 15
< 16
< 17
< 18
< 19
< 20
70.0
71.5
73.0
74.5
76.0
77.5
79.0
80.0
83.0
86.0
89.0
90.0
91.0
92.0
93.0
94.0
95.0
96.0
97.0
98.0
>= 20
100.0
PuntParamB = f(JRC), una funcin en base al rugosidad de Laubsher, la cual, es evaluada
slo si JRC no es nulo. De lo contrario no se evala, ni tampoco se evaluar
MRMR1 y finalmente quedar en nulo.
JRC
f
0
50
1
54
2
58
3
60
4
64
5
68
6
72
7
74
8
76
9
78
10
80
11
82
12
84
13
86
14
88
15
90
16
92
17
94
18
96
19
98
20
100
PuntParamC = f(caltparedes), una funcin en base a la alteracin de las paredes. Esta
funcin se evala slo si el argumento no es nulo, de lo contrario tampoco
se evaluar RatingCond y finalmente quedar en nulo.
93
CALTPAREDES
f
Sin
97.50
Escasamente
91.50
Moderadamente
84.50
Altamente
78.00
Completamente
75.00
PuntParamD = f(calidad, tamao), una funcin en base a la calidad y tamao del relleno
principal. Esta funcin se evala slo si el tamao no es nulo, de lo
contrario tampoco se evaluar RatingCond y finalmente quedar en nulo.
Calidad
Nulo
D
D
D
B
B
B
Tamao
Cualquiera
Grueso
Medio
Fino
Grueso
Medio
Fino
f
100
90
85
80
70
60
50
f
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
95
[1]
Figura extrada de Geotechnical guidelines for a Transition from Open Pit to Underground
Mining.
[2]
[3]
[4]
Ms detalle puede ser encontrado en la publicacin Practical estimates of rock mass strength,
Hoek y Brown 1997.
[5]
Bienawsky, 1973.
[6]
Laubscher, 1975.
[7]
[9]
[10]
[11]
[12]
averiguar!!!!!!!!!!!!!!
[13]
Guas Geotcnicas para una trancisin desde rajo abierto a Minera subterrnea, Flores
2003.
[14]
Characterization of the geotehnical properties of rock material for construction purposes, Ir.
A.R.G. van de Wall et al.
96