Simulación Geoestadística, Muestreo de Pozos de Tronadura, Error Fundamental, Estimación de Leyes, Kriging, Método Poligonal, Pérdidas Económicas, Minería, Optimización de Procesos.
Este estudio analiza el impacto económico del muestreo deficiente en pozos de tronadura y cómo las metodologías de estimación pueden influir en la rentabilidad de las operaciones mineras.
Se utiliza la Simulación Secuencial Gaussiana (SGS) para generar una representación realista de la distribución de leyes en tres tipos de depósitos mineros en Chile: pórfido de cobre, cobre tipo manto y oro diseminado. Se evalúa el efecto de diferentes niveles de Error Fundamental (EF) en las muestras de pozos de tronadura (10%, 20% y 30%) y se comparan dos métodos de estimación de leyes: Método Poligonal y Kriging Ordinario.
Los resultados demuestran que tanto el EF como el método de estimación impactan significativamente en la clasificación del mineral y, por ende, en las ganancias. El Kriging Ordinario se muestra como un método más robusto frente al EF en comparación con el Método Poligonal.
Este estudio resalta la importancia crucial de un muestreo preciso y la selección adecuada del método de estimación para minimizar las pérdidas económicas en la industria minera.
Contenido:
- Introducción: Se establece el contexto del problema, la importancia del muestreo de pozos de tronadura en la evaluación de recursos mineros y el impacto económico potencial del muestreo deficiente.
- Objetivos: Se definen los objetivos específicos de la investigación, incluyendo la evaluación del impacto económico de diferentes niveles de EF, la comparación de los métodos de estimación Poligonal y Kriging Ordinario, y la aplicación de la metodología a tres tipos de depósitos mineros.
- Antecedentes del Proyecto: Se proporciona información sobre el origen de los datos utilizados, la procedencia de las bases de datos reales de proyectos mineros en Chile, y la técnica de simulación utilizada (SGS).
- Metodología: Se describe en detalle la metodología empleada, que consta de cuatro etapas principales:
- Simulación de una grilla densa para representar las «leyes verdaderas» del depósito.
- Simulación del muestreo con la adición del EF a las muestras.
- Estimación de la ley de las Unidades Selectivas de Minería (USM) utilizando los métodos Poligonal y Kriging Ordinario.
- Clasificación de las USM, cálculo de las pérdidas económicas y análisis de los resultados.
- Casos de Estudio: Se presentan tres casos de estudio que representan diferentes tipos de depósitos mineros encontrados en Chile:
- Pórfido de Cobre: Se describe la base de datos, el análisis exploratorio de los datos, la transformación a valores normales, el modelo del variograma y la simulación mediante SGS. Se detallan los parámetros de muestreo, el protocolo de muestreo para un caso de EF del 10% y los parámetros económicos utilizados para calcular la utilidad.
- Depósito de Cobre tipo Manto: Se sigue una estructura similar a la del caso anterior, incluyendo la descripción de la base de datos, el análisis exploratorio, la transformación a valores normales, el modelo del variograma, la simulación mediante SGS, los parámetros de muestreo, el protocolo de muestreo para un caso de EF del 20%, y los parámetros económicos.
- Depósito de Oro Diseminado: Se repite la estructura de los casos anteriores, con la descripción de la base de datos, el análisis exploratorio, la transformación a valores normales, el modelo del variograma, la simulación mediante SGS, los parámetros de muestreo, el protocolo de muestreo para un caso de EF del 30%, y los parámetros económicos.
- Resultados: Se presentan los resultados en forma gráfica, mostrando la comparación de las leyes verdaderas con las leyes estimadas para diferentes niveles de EF y métodos de estimación.
- Conclusiones: Se extraen conclusiones clave del estudio, destacando que:
- Las metodologías de estimación tienen un impacto mayor en las pérdidas de utilidad que los errores de muestreo.
- El Kriging es menos sensible al nivel de error del muestreo que el método poligonal.
- La clasificación óptima no se puede alcanzar incluso con muestras sin errores.
- El Kriging siempre se desempeñó como el mejor estimador.
- La simulación geoestadística puede mejorar la clasificación de las USM y los resultados de la estimación de leyes.
- Las pérdidas debidas a errores de muestreo son mayores en depósitos más continuos.
- Las pérdidas económicas en la planificación a corto plazo por muestreo deficiente pueden ser significativas, alcanzando varios millones de dólares por año.
Autor:
Dr. Julián M. Ortiz
Fecha de Publicación:
Universidad de Chile
Link de descarga: Aquí
