Documente Academic
Documente Profesional
Documente Cultură
INTRODUCCIÓN
Esta monografía trata sobre el modelo de bloques que requiere de gran precisión
a la hora de estimar los recursos y reservas. Para lograr mayor precisión en las
estimaciones se emplean los modelos geológicos en donde todos los atributos
considerados sean cuantificados de la mejor manera posible ya sea para leyes,
litología, estructuras, entre otras.
OBJETIVOS
Objetivo principal.-
Objetivos secundarios.-
MARCO TEÓRICO
ANÁLISIS GEOESTADÍSTICO
El teorema del límite central o teorema central del límite indica que, en
condiciones muy generales, si Sn es la suma de n variables
aleatorias independientes y de varianza no nula pero finita, entonces la función
de distribución de Sn a una distribución normal (también llamada distribución
gaussiana, curva de Gauss o campana de Gauss). Así pues, el teorema asegura
que esto ocurre cuando la suma de estas variables aleatorias e independientes
es lo suficientemente grande.
El valor de la ley media para todo el depósito utilizando los datos transformados
se calculó con la siguiente expresión matemática:
(( ) )
√ ( )
( ( ))
√
( )
Método de El Krigeaje
Vecindad de Estimación
Para el krigeado no importa la agrupación de datos al lado izquierdo del bloque (el
krigeado desagrupa la información) ¿Cuál radio tomar?
Página |5
La siguiente imagen ilustra un perfil de una mina estimado con octantes (máximo
2 compósitos) y con máximo de compósitos por sondaje (máximo 2 compósitos)
y el mismo perfil estimado con un máximo de 32 compósitos en la vecindad (sin
octantes y sin máximo de compósitos por sondaje).
A la izquierda estimación por octantes y máximo por sondaje (se produce el efecto
“panqueque”. A la derecha sin restricciones. Todos los sondajes (no dibujados) son
verticales. Los compósitos tienen un largo igual a la altura del banco.
Página |8
Categorización de Recursos
La categorización de recursos minerales (o geológicos) y reservas mineras es
una de las etapas más críticas en la evaluación de un proyecto minero, dado que
el financiamiento del proyecto y las inversiones dependen de la cantidad
(tonelaje) y calidad (ley) de los recursos y reservas. Además, la decisión de
invertir en el proyecto considera la confiabilidad en los valores estimado de estos
recursos y reservas.
Sin embargo, este a su vez uno de los procedimientos más subjetivos en la
evaluación, dado que la clasificación queda sujeta a la opinión experta de un
especialista en evaluación de yacimientos. En los últimos años, los códigos
internacionales han tendido a incluir de manera más explícita los requerimientos
para la divulgación de resultados de la estimación de los recursos y reservas, sin
embargo, aún no se ha especificado una metodología fija para todos los
proyectos.
Los principales métodos a través de los cuales los recursos minerales pueden
ser categorizados se dividen en 2 grupos:
Criterios tradicionales o clásicos
Criterios geoestadísticos.
VARIABLE REGIONALIZADA
Definimos ley de corte como aquella ley por debajo de la cual el contenido en
metal o mineral en un volumen específico no permite un aprovechamiento
económico de dicho metal.
Antes de proceder al cálculo de la ley media es necesario saber si los datos que
vamos a emplear siguen una distribución normal o lognormal. Los métodos a
emplear, y por tanto, los resultados obtenidos no serán los mismos para ambos
casos.
Para comprobar si los datos que vamos a tratar siguen una distribución normal
emplearemos los gráficos de probabilidad normal. La idea básica consiste en
representar, en un mismo gráfico, los datos empíricos observados, frente a los
datos que se obtendrían en una distribución normal teórica. Si la distribución de
la variable es normal, los puntos quedarán cerca de una línea recta. Es frecuente
observar una mayor variabilidad (separación) en los extremos. Los gráficos
obtenidos se representan a continuación.
P á g i n a | 10
Como se puede comprobar, los datos de los tres elementos se ajustan bastante
bien a una recta.
Donde:
Gi1 = Valor de ley para la longitud recuperada de cada maniobra (valor del
análisis químico).
PROCEDIMIENTO
Para determinar los valores de se basa en la función log normal, donde para
iniciar los cálculos primero se tiene que tener presente los valores de σx y µx.
dichos valores se obtuvieron de una data estadística del yacimiento de Oro
Castellano, densidad = 1.4, ubicada en provincia de Pinar del Rio en la región de
pinar del Rio en Cuba.
Donde:
σx: 1.05
µx: 0.64
Reemplazando en la fórmula:
(( ) )
√ ( )
√
( )
Primero se genera un algoritmo en Visual BASIC 6.0, para poder seleccionar los
datos, valores de la ley promedio de cada bloque (x), que se sean mayores a la
ley establecida en el Cut Off. Una vez seleccionados los valores, el programador
nos arrojará como resultado el valor de su contenido metálico (Q)
correspondiente (ver figura 1. Apéndice). Dichos datos se trabajaron en
programa popular Excel. En su función de Macros
P á g i n a | 12
Donde:
# de bloques: Cantidad de bloques que tengan una ley mayor al Cut Off
establecido.
Cut Off: este valor es de suposición pues se toma como base únicamente a
la ley mínima y máxima contenida en los bloques.
CÁLCULOS Y RESULTADOS
Histograma
20.00% 120.00%
18.00%
100.00%
Frecuencia relativa
16.00%
% acumulado
14.00% 80.00%
12.00%
10.00% 60.00%
8.00%
6.00% 40.00%
4.00% 20.00%
2.00%
0.00% 0.00%
y mayor...
0.88
1.36
0.60
0.64
0.68
0.72
0.76
0.80
0.84
0.92
0.96
1.00
1.04
1.08
1.12
1.16
1.20
1.24
1.28
1.32
Clase
Frecuencia relativa % acumulado
Histograma
18.00% 120.00%
16.00%
100.00%
Frecuencia relativa
14.00%
% acumulado
12.00% 80.00%
10.00%
60.00%
8.00%
6.00% 40.00%
4.00%
20.00%
2.00%
0.00% 0.00%
Clase
100000000
80000000
60000000
40000000
20000000
0
0.50 0.70 0.90 1.10 1.30 1.50
Cut Off (gr/ton)
Q vs Cut Off
140000000.00
Contenido metálico - Q (gr)
120000000.00
100000000.00
80000000.00
60000000.00
40000000.00
20000000.00
0.00
0.50 0.70 0.90 1.10 1.30 1.50
Cut Off ( gr/ton)
Q vs Cut Off
1.15
1.10
1.05
1.00
0.95
0.90
0.85
0.50 0.60 0.70 0.80 0.90 1.00 1.10 1.20 1.30 1.40
Cut Off (gr/ton)
CONCLUSIONES
P á g i n a | 16
Bibliografía
Apéndice
Tabla 1
Estadística descriptiva del contenido de Au
N° de pozos 118
Mínimo 0.11
Máximo 3.66
Media 1.05
Mediana 1.09
Desviación estándar 0.64
Varianza 0.41
Coef. De variación 0.61
Curtosis 1.05
Coef. De asimetría 0.71
Estadígrafo K - S 0.076
Valor crítico ( α = 0.1) 0.111
Valor crítico ( α = 0.05) 0.124
Valor crítico ( α = 0.01) 0.148
Estadística descriptiva del yacimiento de Oro
Castellano
Tabla 2 Tabla 3
Datos estadísticos de los valores de x Datos estadísticos de los valores de y
Columna1 Columna2
Media 0.90134085 Media -0.10878528
Error típico 0.00028909 Error típico 0.00031993
Mediana 0.89692405 Mediana -0.10878409
Moda #N/A Moda #N/A
Desviación estándar 0.08957056 Desviación estándar 0.09912535
Varianza de la muestra 0.00802288 Varianza de la muestra 0.00982584
Coeficiente de
variación 9.93747883 Coeficiente de variación -91.1201857
Curtosis 0.06333496 Curtosis -0.08183869
Coeficiente de
asimetría 0.29249481 Coeficiente de asimetría 0.00587075
Rango 0.74249681 Rango 0.7915413
Mínimo 0.61526333 Mínimo -0.48570492
Máximo 1.35776014 Máximo 0.30583638
Suma 86528.7213 Suma -10443.3872
Cuenta 96000 Cuenta 96000
Resultados estadísticos obtenidos del Resultados estadísticos obtenidos del
análisis de los 96000 datos análisis de los 96000 datos
P á g i n a | 18
Tabla 4 Tabla 5
Histograma para los valores x Histograma para los valores de y
Clase Frecuencia % acumulado Clase Frecuencia % acumulado
0.60 0.00% 0.00% -0.49 0.00% 0.00%
0.64 0.02% 0.02% -0.45 0.02% 0.02%
0.68 0.19% 0.21% -0.41 0.07% 0.09%
0.72 1.10% 1.31% -0.37 0.29% 0.38%
0.76 3.39% 4.70% -0.33 0.87% 1.25%
0.80 7.81% 12.51% -0.29 2.05% 3.30%
0.84 13.11% 25.62% -0.25 4.42% 7.72%
0.88 16.96% 42.58% -0.21 7.81% 15.53%
0.92 17.48% 60.06% -0.17 11.57% 27.10%
0.96 15.18% 75.24% -0.13 14.65% 41.75%
1.00 10.97% 86.21% -0.09 15.66% 57.41%
1.04 6.95% 93.16% -0.05 14.88% 72.29%
1.08 3.78% 96.94% -0.01 11.53% 83.82%
1.12 1.86% 98.80% 0.03 7.95% 91.77%
1.16 0.76% 99.56% 0.07 4.63% 96.40%
1.20 0.30% 99.86% 0.11 2.30% 98.70%
1.24 0.11% 99.97% 0.15 0.89% 99.59%
1.28 0.02% 99.99% 0.19 0.31% 99.91%
1.32 0.01% 100.00% 0.23 0.07% 99.98%
1.36 0.00% 100.00% 0.27 0.01% 99.99%
y mayor... 0.00% 100.00% 0.31 0.01% 100.00%
La tabla muestra los datos y mayor... 0.00% 100.00%
considerados en la clase y la
frecuencia obtenida de la recopilación La tabla muestra los datos considerados
de los 96000 datos. en la clase y la frecuencia obtenida de la
recopilación de los 96000 datos.
P á g i n a | 19
Tabla 6
Datos obtenidos del análisis procesado en los 96000 datos.
# de bloques Cut Off (gr/ton) Ton Q (gr) L media (gr/ton)
96000 0.60 134400000 121140209.81 0.90
95981 0.64 134373400 121122590.45 0.90
95795 0.68 134113000 120949140.28 0.90
94740 0.72 132636000 119908445.80 0.90
91487 0.76 128081800 116522241.89 0.91
83994 0.80 117591600 108315906.53 0.92
71405 0.84 99967000 93842273.64 0.94
55125 0.88 77175000 74232461.34 0.96
38348 0.92 53687200 53095372.54 0.99
23773 0.96 33282200 33931025.99 1.02
13241 1.00 18537400 19498324.31 1.05
6567 1.04 9193800 9982317.99 1.09
2936 1.08 4110400 4605300.12 1.12
1154 1.12 1615600 1868502.74 1.16
423 1.16 592200 704821.52 1.19
135 1.20 189000 230548.78 1.22
34 1.24 47600 58939.02 1.24
13 1.28 18200 22599.32 1.24
5 1.32 7000 8683.43 1.24
Se muestra los datos resultados del análisis de caracterización de los valores de
x, donde # de bloques representa la cantidad de bloques que cumplan la
condición de tener una ley mayor al valor del Cut Off establecido
correspondiente.
Los datos mostrados servirán para la construcción grafica de las relaciones Ton -
Cut Off, Q – Cut Off y Lm – Cut Off.
P á g i n a | 20