Anexo: principios de simulacin geoestadstica

Motivacin (1)
El kriging suaviza: los valores estimados son menos dispersos que los valores verdaderos no se puede predecir la ocurrencia de valores extremos puede dar la impresin de que todo es mineral (leyes estimadas sobre la ley de corte, cuando esta ltima es baja) el suavizamiento depende de la cantidad / escasez de datos La varianza de kriging incorpora informacin geomtrica y de continuidad espacial, pero no la informacin local. Luego, no mide todas las fuentes de incertidumbre (no toma en cuenta el efecto proporcional)

Motivacin (2)
La simulacin busca construir realizaciones que reproducen la variabilidad real de la variable en estudio (histograma, variograma...) cada realizacin representa un escenario plausible se puede construir numerosos escenarios equiprobables Uso de las simulaciones anlisis de riesgo: escenario ms optimista / pesimista estimacin: promediar los escenarios (para estimar leyes) o calcular la frecuencia de ocurrencia de un evento (para estimar la probabilidad de este evento) medicin de la incertidumbre: qu tan distintos son los escenarios

Motivacin (3)
Ejemplo: leyes de cobre en un yacimiento prfido cuprfero

Motivacin (4)
La simulacin se basa en la interpretacin de la variable regionalizada como una realizacin de una funcin aleatoria. Consiste en construir otras realizaciones de esta misma funcin aleatoria.

Para ello, es preciso conocer completamente la funcin aleatoria, es decir, conocer todas las distribuciones de probabilidad distribucin univariable (cmo se distribuye cada valor individualmente? histograma) distribuciones bivariables (cmo se distribuyen los pares de valores? variograma, etc.) distribuciones trivariables, etc.

Motivacin (5)
Ejemplo Realizaciones de funciones aleatorias con mismas distribuciones univariables, bivariables y trivariables

Motivacin (6)
Simulacin no condicional: no toma en cuenta los valores de los datos en los sitios de muestreo. Slo produce realizaciones de la funcin aleatoria.

Motivacin (7)
Simulacin condicional: reproduce adems los valores de los datos en los sitios de muestreo en un sitio con dato, todos los escenarios reproducen este dato lejos de los datos, la simulacin se vuelve no condicional

Modelos para la simulacin (1)

Simulacin de variables continuas (leyes)

Por su simplicidad y sus buenas propiedades matemticas, el modelo multigaussiano es lejos el ms usado

Modelos para la simulacin (2)

Algoritmos para simular una funcin aleatoria multigaussiana Mtodo secuencial (Gmez-Hernndez and Cassiraga, 1994) Mtodo de descomposicin matricial (Davis, 1987) Mtodo espectral continuo (Shinozuka and Jan, 1972) Mtodo espectral discreto (Chils and Delfiner, 1994) Mtodos de convolucin: medias mviles y procesos autoregresivos (Black and Freyberg, 1990) Mtodo de bandas rotantes (Matheron, 1973)

Modelos para la simulacin (3)

Ilustracin: mtodo de bandas rotantes Variograma esfrico Variograma cbico Variograma estable

Modelos para la simulacin (4)

Simulacin de variables categricas (tipo de roca, etc.)

Modelo plurigaussiano

Modelo de hojas muertas

Modelo jerrquico

Modelos para la simulacin (5)

Procesos puntuales

Puntos agrupados

Proceso de repulsin

Proceso de Poisson

Modelos para la simulacin (6)

Simulacin de conjuntos aleatorios

Modelos para la simulacin (7)

Simulacin de redes de fractura

Modelo fractal

Modelo Booleano

Modelo jerrquico

Ejemplo: datos mineros (1)

Simulaciones con modelo multi-Gaussiano Leyes de cobre simuladas en una malla de 2m 2m (50 realizaciones)

Ejemplo: datos mineros (2)

Rebloquear a unidades de seleccin minera (10m 10m 12m) Para cada bloque y cada realizacin, se calcula el promedio aritmtico de las leyes simuladas en este bloque

Ejemplo: datos mineros (3)

Evaluacin de las leyes de bloques y de su incertidumbre El promedio de las realizaciones es parecido al kriging La varianza de las realizaciones es distinta a la de kriging; en particular, refleja el efecto proporcional

Ejemplo: datos mineros (4)

Evaluacin de recursos recuperables sobre una ley de corte de 0.5%Cu Clculo de tonelajes, leyes medias sobre una ley de corte Estos mapas no pueden ser obtenidos por kriging, debido al suavizamiento de ste

Ejemplo: datos mineros (5)

Otras posibles aplicaciones Anlisis de riesgo: clculo del VAN en cada realizacin Categorizacin de recursos y reservas Diseo de rajo ptimo Planificacin minera: qu variabilidad de leyes se espera en la planta? Control de leyes: cul es la decisin ms oportuna para cada bloque: mandar a planta o a botadero? Reconciliacin de leyes mina / planta

Extensiones: Simulacin multivariable Simulacin de variables geotcnicas o metalrgicas Simulacin de variables categricas

Referencias (1)
Black T.C. and Freyberg D.L., 1990, Simulation of one-dimensional correlated fields using a matrix-factorization moving average approach, Mathematical Geology, Vol. 22, n1, p. 39-62. Chils J.P. and Delfiner P., 1994, Using FFT techniques for simulating Gaussian random fields, in Proceedings of the conference in mining geostatistics, Berg-en-dal, South Africa, 19-22 September 1994. Davis M., 1987, Production of conditional simulations via the LU triangular decomposition of the covariance matrix, Mathematical Geology, Vol. 19, n2, p. 91-98. Gmez-Hernndez J. J. and Cassiraga E. F., 1994, Theory and practice of sequential simulation, in M. Armstrong and P. A. Dowd (eds.), Geostatistical simulations, Kluwer Academic Publishers, Dordrecht, Holland, p. 111-124. Lantujoul C., 1994, Non conditional simulation of stationary isotropic multigaussian random functions, in M. Armstrong and P. A. Dowd (eds.), Geostatistical simulations, Kluwer Academic Publishers, Dordrecht, Holland, p. 147-177. Matheron G., 1973, The intrinsic random functions and their applications, Advances in Applied Probability, Vol. 5, p. 439-468. Shinozuka M. J. and Jan C. M., 1972, Digital simulation of random processes and its applications, Journal of sound and vibrations, Vol. 25, n1, p. 111-128.

Referencias (2)
Deraisme J., de Fouquet C. and Fraisse H., 1984, Geostatistical orebody model for computer optimization of profits from different underground mining methods, in Proceedings of the 18th APCOM Symposium, Institution of Mining and Metallurgy, London, p. 583-590. Deutsch C.V., Magri E. and Norrena K., 2000, Optimal grade control using geostatistics and economics: methodology and examples, in SME Transactions, Vol. 308, p. 43-52. Dowd P.A., 1994, Risk assessment in reserve estimation and open-pit planning. Transactions of the Institution of Mining and Metallurgy (Section A: Mining industry), Vol. 103, p. 148 - 154. Journel A.G., 1974, Geostatistics for conditional simulation of orebodies, Economic Geology, Vol. 69, p. 673-687. Kim Y.C., Medhi P.K. and Arik A., 1982, Investigation of in-pit ore-waste selection procedures using conditionally simulated orebodies, in Proceedings of the 17th APCOM Symposium, T.B. Johnson and R.J. Barnes (eds.), Society of Mining Engineers of the AIME, New York, p. 121-142. Vieira J.L, Travassos J.F., Gonalves A, Santos N and Muge F.H, 1993, Simulation of medium and short term mine production scheduling using geostatistical modelling, in Geostatistics Tria92, A. Soares (ed.), Kluwer, Dordrecht, The Netherlands, Vol. 2, p. 1013-1027.