Tesis 2019 Posgrado Ciencias de Ingeniería Cahuana Ochoa
Tesis 2019 Posgrado Ciencias de Ingeniería Cahuana Ochoa
Tesis 2019 Posgrado Ciencias de Ingeniería Cahuana Ochoa
DE HUANCAVELICA
(Creada por Ley N° 25265)
ESCUELA DE POSGRADO
TESIS
“APLICACIÓN DE LA SIMULACIÓN
CONDICIONAL A LOS DOMINIOS DE
ESTIMACIÓN DE RECURSOS DE LA MINA
CUAJONE”
LÍNEA DE INVESTIGACIÓN:
GEOESTADÍSTICA APLICADA EN MINERÍA
PRESENTADO POR:
Bach. WALTER NELSON CAHUANA OCHOA
HUANCAVELICA, PERÚ
2019
ii
iii
Dedicatoria
siempre estuvieron conmigo en cada momento, a mis hermanos Juan Carlos y José
Alberto por sus consejos y enseñanzas; como también a mis sobrinas Rayen y Emily
A todas aquellas personas con las que se realizó un trabajo en equipo como
Resumen
Mina Cuajone. Para ello se definió la zona de estudio a topografía original del
de perforación entre 1942 al 2017, regularizando las muestras a quince metros según la
unidad de producción los cuales son los bancos de minado. Los datos son transformados
espacio Gaussiano, se elaboran los variogramas con tres estructuras determinando los
parámetros de estudio. Estos datos son validados por dominio para proceder a utilizar el
cercanos a la realidad por ello el término condicional al asumir los datos según se
originales para los dominios 400, 401, 405, 406, 407, 412; con un grado de variabilidad
menor o aproximado a lo real. Para el caso de los dominios 402, 403, 404 y 408; se
los gráficos validadores. Es importante definir los dominios de estimación para aplicar
Cuajone.
de evaluación.
vi
Abstract
Simulation technique to the twelve resource estimation domains of the Cuajone Mine.
To this end, the study area was defined to the original topography of the deposit, an
exploratory data analysis was started with respect to the drilling campaigns from 1942
to 2017, regularizing the samples to fifteen meters according to the production unit,
which are the mined. The data are transformed Gaussian space, the variograms are
elaborated with three structures determining the study parameters. This data is validated
by domain to proceed to use the Conditional Simulation process for twenty scenarios as
a recognition stage. During the evaluation process, the scenarios closest to reality are
selected, therefore the conditional term when assuming the data as they occur in nature,
when comparing the histograms with original data. The Gaussian Conditional
Simulation process has allowed reproducing the distribution of the original data for
domains 400, 401, 405, 406, 407, 412; with a degree of variability less or closer to the
real. In the case of domains 402, 403, 404 and 408; you have variability of results
scenarios.
vii
Índice
Portada…...………………………………………………………………….………………i
Dedicatoria ............................................................................................................................ iv
Resumen ..................................................................................................................................v
Abstract ................................................................................................................................. vi
Índice .................................................................................................................................... vii
Introducción.............................................................................................................................1
CAPÍTULO I ...........................................................................................................................3
EL PROBLEMA .....................................................................................................................3
1.1. Planteamiento del Problema ........................................................................................3
1.2. Formulación del Problema ...........................................................................................4
1.2.1. Problema General .................................................................................................4
1.2.2. Problemas Específicos..........................................................................................4
1.3. Objetivos ......................................................................................................................5
1.3.1. Objetivo General ..................................................................................................5
1.3.2. Objetivos Específicos ...........................................................................................5
1.4. Justificación e Importancia ..........................................................................................5
1.5. Ubicación de la Zona de Estudio .................................................................................6
CAPÌTULO II..........................................................................................................................7
MARCO TEÓRICO ................................................................................................................7
2.1. Antecedentes de la Investigación .................................................................................7
2.1.1. Aplicaciones Nacionales ..........................................................................................7
2.1.2. Aplicaciones Internacionales .........................................................................................9
2.2. Bases Teóricas ...........................................................................................................10
2.3. Formulación de Hipótesis ..........................................................................................15
2.4. Definición de Términos .............................................................................................15
2.5. Identificación de Variables ........................................................................................20
2.6. Operacionalización de variables ................................................................................20
CAPÍTULO III ......................................................................................................................22
METODOLOGÍA DE INVESTIGACIÓN ...........................................................................22
3.1. Tipo de Investigación .....................................................................................................22
3.2. Nivel de Investigación ....................................................................................................22
3.3. Método de Investigación ................................................................................................22
3.4. Diseño de Investigación .................................................................................................23
3.5. Población, Muestra y Muestreo ......................................................................................23
3.6. Técnicas e Instrumentos de Recolección de Datos .........................................................23
viii
Índice de Figuras
Figura 1. Mapa de Ubicación de la Mina Cuajone, Moquegua – Perú ......................................... 6
Figura 2. Esquema de los conceptos e hipótesis que sustentan el modelo Geoestadístico.......... 11
Figura 3. Escenarios de Simulación Condicional Gaussiana ...................................................... 12
Figura 4. Dominios de Estimación de Recursos Mina Cuajone del 400 al 403 .......................... 13
Figura 5. Dominios de Estimación de Recursos Mina Cuajone del 404 al 409 .......................... 14
Figura 6. Dominios de Estimación de Recursos Mina Cuajone 410 y 412 ................................. 15
Figura 7.Representación de un Variograma ................................................................................ 17
Figura 11. Un gráfico Q-Q normal de datos N(0,1) generados aleatoriamente. ......................... 18
Figura 10. Representación gráfica del krigeado de un bloque. Tomado de Apuntes de
Geoestadística ............................................................................................................................. 18
Figura 8. Ecuación del Modelo Esférico ..................................................................................... 19
Figura 9. Representación del Modelo Esférico ........................................................................... 19
Figura 12. Assay - Box Plot por Cobre por Dominio de Estimación .......................................... 29
Figura 13. Curvas de Probabilidad Acumulada Cobre por Dominio de Estimación ................... 29
Figura 14. Compósitos - Box Plot de Cobre por Dominio de Estimación .................................. 30
Figura 15. Curvas de Probabilidad Acumulada Cobre por Dominio de Estimación ................... 30
Figura 16. Histogramas de los Compósitos de Cobre de los dominios del 400 al 405 ............... 32
Figura 17. Histogramas de los Compósitos de Cobre de los dominios del 406 al 410 y 412 ..... 33
Figura 18. Transformación de muestras al espacio Gaussiano por Dominio de Estimación 400 al
402 ............................................................................................................................................... 34
Figura 19. Transformación de muestras al espacio Gaussiano por Dominio de Estimación 403 al
405 ............................................................................................................................................... 35
Figura 20. Transformación de muestras al espacio Gaussiano por Dominio de Estimación 406 al
408 ............................................................................................................................................... 36
Figura 21. Transformación de muestras al espacio Gaussiano por Dominio de Estimación 409,
410 y 412 ..................................................................................................................................... 37
Figura 22. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 400 y 401 así como su esfera de búsqueda .................................................... 39
Figura 23. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 402 y 403, así como su esfera de búsqueda ................................................... 40
Figura 24. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 404 y 405, así como su esfera de búsqueda ................................................... 41
Figura 25. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 406 y 407, así como su esfera de búsqueda ................................................... 42
x
Figura 26. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 408 y 409, así como su esfera de búsqueda ................................................... 43
Figura 27. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 410 y 412, así como su esfera de búsqueda ................................................... 44
Figura 28. Validación Cruzada de los dominios de estimación del 400 al 405........................... 46
Figura 29. Validación Cruzada de los dominios de estimación del 406 al 410 y 412 ................ 47
Figura 30. Representación de los 20 escenarios con la variable EType (0.072% Cu) ................ 49
Figura 31. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 49
Figura 32. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM1 y SIM7) ....................................................................................................... 49
Figura 33. Resumen Estadística de las muestras y simulaciones en total ................................... 50
Figura 34.Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones .. 50
Figura 35. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 50
Figura 36.Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ........................ 51
Figura 37. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los resultados
de las simulaciones 1, 7 y 17 ....................................................................................................... 51
Figura 38. Representación de los 20 escenarios con la variable EType (0.538% Cu) ................ 53
Figura 39. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 53
Figura 40. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM14 y SIM19) ................................................................................................... 53
Figura 41. Resumen Estadística de las muestras y simulaciones en total ................................... 54
Figura 42. Media de las 20 Simulaciones e. Histograma Incremental muestras y simulaciones 54
Figura 43. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 54
Figura 44. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ....................... 55
Figura 45. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los resultados
de las simulaciones 14, 19 y 15 .................................................................................................. 55
Figura 46. Representación de los 20 escenarios con la variable EType (0.881% Cu) ................ 57
Figura 47. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 57
Figura 48. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM17, SIM9 y SIM12) ........................................................................................ 57
Figura 49. Resumen Estadística de las muestras y simulaciones en total ................................... 58
Figura 50. Media de las 20 Simulaciones e. Histograma Incremental muestras y simulaciones 58
Figura 51. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 58
Figura 52. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ....................... 59
Figura 53. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los resultados
de las simulaciones 17, 9 y 12 ..................................................................................................... 59
Figura 54. Representación de los 20 escenarios con la variable EType (0.728% Cu) ................ 61
xi
Figura 55. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 61
Figura 56. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM8 y SIM11) ..................................................................................................... 61
Figura 57. Resumen Estadística de las muestras y simulaciones en total ................................... 62
Figura 58. Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones . 62
Figura 59. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 62
Figura 60. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ....................... 63
Figura 61. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los resultados
de las simulaciones 8, 11 y 15 ..................................................................................................... 63
Figura 62. Representación de los 20 escenarios con la variable EType (0.554% Cu) ................ 65
Figura 63. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 65
Figura 64. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM5 y SIM8) ....................................................................................................... 65
Figura 65. Resumen Estadística de las muestras y simulaciones en total ................................... 66
Figura 66. Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones . 66
Figura 67. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 66
Figura 68. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ....................... 67
Figura 69. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los resultados
de las simulaciones 5, 8 y 9 ......................................................................................................... 67
Figura 70. Representación de los 20 escenarios con la variable EType (0.214% Cu) ................ 69
Figura 71. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 69
Figura 72. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM18 y SIM9) ..................................................................................................... 69
Figura 73. Resumen Estadística de las muestras y simulaciones en total ................................... 70
Figura 74. Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones . 70
Figura 75. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 70
Figura 76. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ....................... 71
Figura 77. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los resultados
de las simulaciones 18, 9 y 20 ..................................................................................................... 71
Figura 78. Representación de los 20 escenarios con la variable EType (0.382% Cu) ................ 73
Figura 79. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 73
Figura 80. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM1 y SIM14) ..................................................................................................... 74
Figura 81. Resumen Estadística de las muestras y simulaciones en total ................................... 74
Figura 82. Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones . 74
Figura 83. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 74
Figura 84. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ....................... 75
xii
Figura 85. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los resultados
de las simulaciones 1, 14 y 9 ....................................................................................................... 75
Figura 86. Representación de los 20 escenarios con la variable EType (0.761% Cu) ................ 77
Figura 87. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 77
Figura 88. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM7 y SIM17) ..................................................................................................... 77
Figura 89. Resumen Estadística de las muestras y simulaciones en total ................................... 78
Figura 90. Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones . 78
Figura 91. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 78
Figura 92. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ....................... 79
Figura 93. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los resultados
de las simulaciones 7, 17 y 8 ....................................................................................................... 79
Figura 94. Representación de los 20 escenarios con la variable EType (0.459% Cu) ................ 81
Figura 95. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional ......... 81
Figura 96. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM13 y SIM18) ................................................................................................... 81
Figura 97. Resumen Estadística de las muestras y simulaciones en total ................................... 82
Figura 98. Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones . 82
Figura 99. Gráfica de Q-Q Plot muestras vs simulaciones.......................................................... 82
Figura 100. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ..................... 83
Figura 101. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 13, 18 y 2 .................................................................................... 83
Figura 102. Representación de los 20 escenarios ........................................................................ 85
Figura 103. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional........ 85
Figura 104. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM3 y SIM5) ....................................................................................................... 85
Figura 105. Resumen Estadística de las muestras y simulaciones en total ................................. 86
Figura 106. Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones 86
Figura 107. Gráfica de Q-Q Plot muestras vs simulaciones........................................................ 86
Figura 108. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ..................... 87
Figura 109. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 3, 5 y 9........................................................................................ 87
Figura 110. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional........ 89
Figura 111. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM7 y SIM4) ....................................................................................................... 89
Figura 112. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 7, 4 y 8........................................................................................ 90
xiii
Figura 113. Representación de los 20 escenarios con la variable EType (0.682% Cu) .............. 91
Figura 114. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional........ 91
Figura 115. Comparación Histogramas Original (izquierda) vs escenarios Simulación
Condicional (SIM15 y SIM8) ..................................................................................................... 92
Figura 116. Resumen Estadística de las muestras y simulaciones en total ................................. 92
Figura 117. Media de las 20 Simulaciones e Histograma Incremental muestras y simulaciones 92
Figura 118. Gráfica de Q-Q Plot muestras vs simulaciones........................................................ 92
Figura 119. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off ..................... 93
Figura 120. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 15, 8 y 6 ...................................................................................... 93
Figura 121. Autor del Proyecto Walter Nelson Cahuana Ochoa .............................................. 102
Figura 122. Histogramas del Dominio 400 ............................................................................... 103
Figura 123. Histogramas del Dominio 401 ............................................................................... 103
Figura 124. Histogramas del Dominio 402 ............................................................................... 104
Figura 125. Histogramas del Dominio 403 ............................................................................... 104
Figura 126. Histogramas del Dominio 404 ............................................................................... 105
Figura 127. Histogramas del Dominio 405 ............................................................................... 105
Figura 128. Histogramas del Dominio 406 ............................................................................... 106
Figura 129. Histogramas del Dominio 407 ............................................................................... 106
Figura 130. Histogramas del Dominio 408 ............................................................................... 107
Figura 131. Histogramas del Dominio 409 ............................................................................... 107
Figura 132. Histogramas del Dominio 410 ............................................................................... 108
Figura 133. Histogramas del Dominio 412 ............................................................................... 108
Figura 134. Vista Tridimensional de los taladros que conforman la Base de Datos – Campaña de
Perforación Mina Cuajone ........................................................................................................ 111
xiv
Índice de Tablas
Introducción
CAPÍTULO I
EL PROBLEMA
1.3. Objetivos
1.3.1. Objetivo General
Determinar la manera de cómo aporta la técnica de Simulación
Condicional Gaussiana al compararla con la técnica actual utilizada en Mina
Cuajone denominada Estimación y los datos reales, para la evaluación de los
dominios de recursos según las concentraciones de leyes de Cobre.
CAPÌTULO II
MARCO TEÓRICO
2.1.Antecedentes de la Investigación
El método de Simulación Condicional ha sido aplicado en nuestro país,
así como en el extranjero como, por ejemplo:
Metodología de Estudio
1. Análisis exploratorio de datos
2. Regularización de compósitos
3. Variografía
4. Evaluación de las leyes con el uso de estimadores geoestadísticos
como Kriging Ordinario e Inverso a la Distancia
5. Categorización de recursos
2.2.Bases Teóricas
La Geoestadística es una rama de la estadística, aplicada en un
contexto espacial, que busca estudiar las variables regionalizadas (como la
ley de un yacimiento minero), que corresponden a variables numéricas que se
distribuyen en el espacio y presentan cierta continuidad espacial (continua,
discreta o categórica), aunque escapan a toda representación simple debido a
que varían irregularmente. (Osorio, 2015)
11
2.3.Formulación de Hipótesis
La técnica Geoestadística denominada Simulación Condicional
Gaussiana, permite reflejar la naturaleza de la mineralización al representar la
proporción de las leyes altas y bajas de los doce dominios de estimación de la
Mina Cuajone por ello el término condicional; obteniéndose diversas
realizaciones o escenarios representados por modelo de bloques con valores
de cobre más cercanos a la realidad. Caso contrario se tiene en la metodología
actual como es la Estimación que sólo representa la mineralización de
Cuajone en un sólo escenario, donde las leyes están suavizadas o
promediadas no permitiendo evaluar la complejidad de las leyes como se
presentan en la naturaleza.
2.4.Definición de Términos
A continuación, se considera los siguientes términos:
e. Decluster o Desagrupamiento
El desagrupamiento o “declustering” se emplea para calcular el
histograma y las estadísticas generales corrigiendo los efectos provocados
por las irregularidades de la malla de muestreo. La idea central consiste en
que las muestras espacialmente cercanas deben ser ponderadas en menor
medida que aquellas más aisladas. (Santiago, 2017, pág. 5)
f. Estimación de Kriging
El estimador de kriging como tal es una combinación de variables aleatorias
y por tanto una cantidad aleatoria, el área o vecindad donde se realiza la
estimación kriging se desarrolla de manera general en zonas de búsqueda
sobre todos los nodos de la grilla que cubre el bloque definiéndose la forma
y tamaño de vecindad que estará en función a los datos disponibles y la
forma en función a la anisotropía de la variable. (Osorio, 2015)
h. Estudio variográfico
Tiene como objetivo conocer la continuidad espacial de la variable en
estudio, debido a que los valores observados en distintos puntos del espacio
pueden estar correlacionados. Para desarrollar este estudio se utiliza una
función llamada variograma, el cual representa el análisis de la variabilidad
espacial de los valores que toma la variable de estudio. Los parámetros que
se deben especificar en la construcción de un variograma experimental son;
(a) dirección de interés; (b) distancia de interés paso “Lag”; (c) tolerancia en
la dirección, tolerancia angular y ancho de banda y (d) tolerancia en las
distancias. (Osorio, 2015)
17
k. Kriging Ordinario
En este método se desconoce el valor promedio de la variable regionalizada
caso contrario el variograma y(h), el cual puede o no tener meseta. El
considerar el valor de la media como desconocido permite generalizar el
estimador a situaciones donde la media no es constante a escala global; la
media puede variar de un lugar a otro siempre que sea aproximadamente
constante en cada vecindad del Kriging.
m. Modelo esférico
El variograma esférico de alcance “a” y meseta “c” se define:
o. Soporte
La superficie o volumen sobre el cual se considera la variable
regionalizada se conoce como soporte. En general los soportes representan a
las muestras exploratorias, el soporte representa una unidad selectiva de
minado; esto es esencial debido a la independencia que existe entre el
soporte y la distribución estadística de los valores, que se conoce como
efecto soporte. (Osorio, 2015)
p. Variable EType
Referido a la ley promedio bloque a bloque por elemento de análisis
de estudio, en el caso de estudio se aplica a las leyes de cobre por cada
dominio de estimación. (DataMine, s.f.).
2.5.Identificación de Variables
Existe una sola variable, la cual hace referencia a la Simulación
Condicional Gaussiana aplicada a los doce dominios de estimación de la
Mina Cuajone.
Variable Tipo de
Indicador Valor Final
Operativa Variable
Histogramas, gráficas de
Análisis Exploratorio de
Box Plot y Curva de
Datos Assay y Compósitos
Probabilidad Acumulada
por Dominios
para analizar la
Geoestadísticos:
distribución de los datos Numérica
por dominio
Agrupación de unidades
(400,401,402,403,404,405,
litológicas con Zonas de
406,407,408,409,410 y
Mineralización
Simulación 412)
Condicional Datos transformados al
Gaussiana: espacio original y
Proceso de Simulación
variografía para obtener
Condicional Gaussiana
Aplicado a los alcances por dominio, Numérica
Hacer honor a los datos
los dominios así como las realizaciones
reales de la mineralización
de estimación y/o escenarios por ley de
de recursos Cobre.
de la Mina Representación de los
Cuajone veinte escenarios por cada
dominio de estimación
Validación de
Histogramas, Curva
La medición será al
Tonelaje Ley y Swath Numérica
comparar la media
Plot.
regularizada y con peso de
la data real vs la media del
escenario (s) de la
Simulación Gaussiana
22
CAPÍTULO III
METODOLOGÍA DE INVESTIGACIÓN
Instrumentos
2. Libreta de apuntes, seguimiento de los resultados obtenidos en todo el
proceso, las gráficas son interpretadas por cada dominio de estudio.
CAPÌTULO IV
PRESENTACIÓN DE RESULTADOS
a. Assay
Referido a las muestras obtenidas cada 3 metros de Cobre
comprendidos en los dominios de estimación, donde se considera el
Análisis Estadístico de Datos, Box Plot y Curva de Probabilidad
Acumulada:
Tabla 3. Reporte Estadístico de Cobre por Dominio de Estimación - Assay
400 Cobre 1,714 124 5,345.70 123.753 0.001 6.21 0.0704 0.022 0.05 0.0799 0.1501 0.0225 2.1305
401 Cobre 2,545 85 7,843.73 1,529.05 0.002 7.2 0.6082 0.14 0.325 0.7599 0.7627 0.5817 1.254
402 Cobre 2,040 17 7,127.92 2,031.55 0.02 8.84 0.9906 0.2891 0.671 1.38 0.9567 0.9154 0.9659
403 Cobre 4,239 56 15,899.84 3,326.14 0.013 5.46 0.7652 0.37 0.672 1.0399 0.5405 0.2921 0.7063
404 Cobre 25,674 588 86,353.46 16,089.75 0.01 4.55 0.6308 0.4101 0.57 0.79 0.3189 0.1017 0.5055
405 Cobre 6,356 544 21,606.50 1,515.58 0.003 1.655 0.2374 0.1131 0.18 0.2999 0.1899 0.0361 0.8001
406 Cobre 1,325 12 4,110.27 437.61 0.039 1.51 0.3364 0.176 0.28 0.43 0.2188 0.0479 0.6503
407 Cobre 2,518 64 8,135.72 1,943.97 0.049 7.427 0.7906 0.4201 0.64 0.966 0.6273 0.3936 0.7935
408 Cobre 20,847 311 65,809.14 10,275.03 0.002 3.74 0.5022 0.3 0.44 0.643 0.2934 0.0861 0.5843
409 Cobre 13,565 185 45,887.10 8,610.93 0.005 3.43 0.644 0.335 0.61 0.8959 0.387 0.1498 0.601
410 Cobre 10,822 196 34,479.69 723.634 0.001 2.02 0.0652 0.0301 0.05 0.0799 0.0732 0.0054 1.1233
411 Cobre 62 21 244.39 28.938 0.1 1.247 0.4402 0.22 0.4 0.5099 0.2494 0.0622 0.5665
412 Cobre 360 93 1,219.19 259.259 0.044 2.431 0.734 0.494 0.689 0.997 0.3545 0.1257 0.483
29
Figura 12. Assay - Box Plot por Cobre por Dominio de Estimación
400 Cobre 768 270 11,311.10 62.4658 0.0022 0.8653 0.0808 0.0257 0.0553 0.0933 0.1001 0.01 1.2385
401 Cobre 1,154 72 16,352.88 692.344 0.015 5.13 0.6011 0.1747 0.3727 0.7521 0.6605 0.4363 1.0989
402 Cobre 1,004 12 14,570.88 973.976 0.0427 5.1937 0.964 0.3306 0.6782 1.326 0.8629 0.7446 0.8951
403 Cobre 2,214 50 32,000.02 1,712.04 0.0296 5.4047 0.7728 0.4027 0.678 1.0419 0.5363 0.2876 0.694
404 Cobre 11,944 320 172,944.10 7,520.90 0.05 3.8305 0.6306 0.4298 0.5773 0.78 0.2916 0.085 0.4623
405 Cobre 3,112 300 43,288.13 749.4066 0.0033 1.51 0.2369 0.1268 0.192 0.2925 0.166 0.0276 0.7006
406 Cobre 624 4 8,289.16 212.426 0.075 1.064 0.3352 0.196 0.298 0.43 0.1874 0.0351 0.5591
407 Cobre 1,206 34 16,284.86 935.4832 0.1187 7.427 0.7915 0.44 0.646 0.9602 0.5811 0.3377 0.7342
408 Cobre 9,224 216 132,227.40 4,652.69 0.0036 1.7 0.5029 0.322 0.4507 0.6282 0.2665 0.071 0.5299
409 Cobre 6,514 154 92,004.20 4,182.91 0.0193 2.114 0.6427 0.3623 0.6266 0.8819 0.3573 0.1277 0.556
410 Cobre 4,776 150 69,575.40 316.4854 0.002 1.11 0.0663 0.0321 0.0526 0.082 0.0647 0.0042 0.9762
411 Cobre 40 10 488.78 18.0116 0.135 1.0214 0.4402 0.2801 0.4 0.5621 0.2232 0.0498 0.5071
412 Cobre 188 38 2,444.38 136.9769 0.1224 1.4848 0.7333 0.5241 0.711 0.9871 0.304 0.0924 0.4146
Figura 16. Histogramas de los Compósitos de Cobre de los dominios del 400 al 405
33
Figura 17. Histogramas de los Compósitos de Cobre de los dominios del 406 al 410 y 412
34
Dominio 401
Dominio 402
Dominio 403
Dominio 404
Dominio 405
Dominio 406
Dominio 407
Dominio 408
Dominio 409
Dominio 410
Dominio 412
4.1.2.2.Variografía
VARIOGRAMA EXPERIMENTAL
PARÁMETROS 3D VARIOGRAM Seach Volume Angulos Rotación Muestras
Dominios LAG TOL NLAG Z X Y NUGGET 1 2 3 Z Y X Discretización Min Máx
400 72 36 25 358 1.22 48 0.304 581 553 492 23 46 -17 1/1/1 2 8
401 72 36 25 252 3.48 101 0.258 350 381 376 18 232 72 1/1/1 2 8
402 72 36 25 187 -5 164 0.100 478 345 434 -13 14 190 1/1/1 2 8
403 72 36 25 16 -3 -0.6 0.275 581 802 785 34 -2 -3 1/1/1 2 8
404 72 36 25 105 9 -15 0.178 465 647 365 143 -7 16 4/4/1 2 8
405 72 36 25 87 57 76 0.435 468 667 490 27 67 70 4/4/1 2 8
406 72 36 25 312 -13 -2 0.125 503 636 349 -48 -2 -13 4/4/1 2 8
407 72 36 25 17 -53 -27 0.233 363 487 735 -5 -16 -56 4/4/1 2 8
408 72 36 25 278 -41 105 0.300 508 481 507 24 30 257 4/4/1 2 8
409 72 36 25 86 -64 -110 0.016 269 348 219 -21 -61 261 4/4/1 2 8
410 72 36 25 165 6 -95 0.001 252 364 336 266 -66 102 1/1/1 2 8
412 72 36 25 7.3 -23 -39 0.318 416 926 307 36 -44 1.95 1/1/1 2 8
39
Figura 22. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 400 y 401 así como su esfera de búsqueda
40
Figura 23. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 402 y 403, así como su esfera de búsqueda
41
Figura 24. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 404 y 405, así como su esfera de búsqueda
42
Figura 25. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 406 y 407, así como su esfera de búsqueda
43
Figura 26. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 408 y 409, así como su esfera de búsqueda
44
Figura 27. Mapas Variográficos en sus tres direcciones (principal, perpendicular y ortogonal
para los dominios 410 y 412, así como su esfera de búsqueda
45
4.1.2.3.Validación Cruzada
Los variogramas presentados previamente deben ser validados
mediante el Coeficiente de Correlación, en teoría el valor debe estar próximo
a uno. De acuerdo a los trabajos de referencia realizados en Mina Cuajone no
todos los dominios tienen el valor ideal de uno, puede darse por la cantidad
de datos, agrupamiento de dominios o altos erráticos; el detalle de los
resultados obtenidos se presenta a continuación:
Dominio de Coeficiente
Comentario
Estimación Correlación
Baja correlación de datos, posible causa los datos
400 0.417
son puntuales
401 0.772 Se aprecia valores con correspondencia de datos
402 0.828 Se aprecia valores con correspondencia de datos
Valores aceptables según la cantidad de
403 0.883
información
Valores aceptables según la cantidad de
404 0.890
información
405 0.809 Se aprecia valores con correspondencia de datos
406 0.693 Se aprecia valores con correspondencia de datos
407 0.808 Se aprecia valores con correspondencia de datos
Valores aceptables según la cantidad de
408 0.904
información
Valores aceptables según la cantidad de
409 0.897
información
410 0.788 Se aprecia valores con correspondencia de datos
412 0.788 Se aprecia valores con correspondencia de datos
Figura 28. Validación Cruzada de los dominios de estimación del 400 al 405
47
Figura 29. Validación Cruzada de los dominios de estimación del 406 al 410 y 412
48
SIM1
EType
Figura 30. Representación de los 20 escenarios con la variable EType (0.072% Cu)
Figura 31. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 32. Comparación Histogramas Original (izquierda) vs escenarios Simulación Condicional (SIM1 y SIM7)
50
.
51
Figura 36.Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
Figura 37. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 1, 7 y 17
52
SIM14
EType
Figura 38. Representación de los 20 escenarios con la variable EType (0.538% Cu)
Figura 39. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 44. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
Figura 45. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 14, 19 y 15
56
EType SIM17
Figura 46. Representación de los 20 escenarios con la variable EType (0.881% Cu)
Figura 47. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 52. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
Figura 53. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 17, 9 y 12
60
SIM8
EType
Figura 54. Representación de los 20 escenarios con la variable EType (0.728% Cu)
Figura 55. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 60. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM5
EType
Figura 62. Representación de los 20 escenarios con la variable EType (0.554% Cu)
Figura 63. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 68. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM8
EType
Figura 70. Representación de los 20 escenarios con la variable EType (0.214% Cu)
Figura 71. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 76. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM1
EType
Figura 78. Representación de los 20 escenarios con la variable EType (0.382% Cu)
Figura 79. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
74
Figura 84. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM7
EType
Figura 86. Representación de los 20 escenarios con la variable EType (0.761% Cu)
Figura 87. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 92. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
EType
SIM18
Figura 94. Representación de los 20 escenarios con la variable EType (0.459% Cu)
Figura 95. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 100. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM3
Figura 103. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
.
87
Figura 108. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
Figura 110. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
SIM15
EType
Figura 113. Representación de los 20 escenarios con la variable EType (0.682% Cu)
Figura 114. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
92
Figura 119. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
comprobar las leyes reales en el caso del modelo simulado en conjunto con el
modelo de bloques de Largo Plazo que se tiene actualmente; este última muestra las
leyes suavizadas o promediadas dentro de un solo escenario. Las gráficas que a la
vez dan soporte a las realizaciones obtenidas denotan los valore donde fluctúan las
medias de las leyes de cobre reproducidas, así como el grado de correspondencia de
información según la población de datos a trabajar en las gráficas de Q-Q Plot. Por
otro lado, de acuerdo a las leyes de corte se tiene cuantificado los recursos según
tonelaje ley por cada dominio de estimación. Además, en las gráficas de Swath Plot
cuyo objetivo es evaluar el comportamiento de los valores obtenidos en los tres ejes
(norte, este y profundidad) así como deducir si se subestima o sobreestima los
valores de cobre según el valor real de este analito.
De acuerdo a los cuadros presentados por cada dominio de estimación según
los resultados obtenidos, las gráficas obtenidas denotan los recursos presentes según
la ley de corte expresado en las gráficas de Curva Tonelaje Ley; evaluado por el
método de Simulación Condicional. Así como la comparación de los histogramas
con la data real. Este proceso se ha aplicado en el estudio según los antecedentes en
un depósito exótico en el país del sur para el modelamiento de recursos. Al igual en
la caracterización de recursos y control de leyes en Australia aplicando un conjunto
de herramientas geoestadísticas evaluando criterios para obtener imágenes
características del depósito como son los modelos o escenarios creados por el uso de
la Simulación Condicional Gaussiana, esta técnica asume los datos tal cual se
presentan en la naturaleza por ello el término condicional.
CONCLUSIONES
RECOMENDACIONES
REFERENCIAS BIBLIOGRÁFICAS
Marín Suárez, A., & Mendoza Ayala, I. (2012). La Geoestadística en América una
aplicación reciente del Centro Estadístico Peruano SIPLAMIN 2012.
Simulación Condicional Proyecto Minero El Porvenir - Milpo. Lima, Lima,
Perú.
Retto Magallanes, O., & Saenz Rivera, F. (Mayo de 2013). Espaciamiento Óptimo de
Taladros aplicando Simulación Condicional Mina Tantahuatay. Lima, Lima,
Perú.
ANEXOS
MATRIZ DE CONSISTENCIA
TÍTULO: “APLICACIÓN DE LA SIMULACIÓN CONDICIONAL A LOS DOMINIOS DE ESTIMACIÓN DE RECURSOS DE LA MINA CUAJONE”
AUTOR: Walter Nelson Cahuana Ochoa
PROBLEMA OBJETIVOS HIPÓTESIS VARIABLES METODOLOGÍA
Problema Principal Objetivo General El proyecto de investigación es de Simulación Condicional Gaussiana: 1.Tipo y Diseño de Investigación
¿Cómo aporta la técnica Determinar la manera de cómo aporta naturaleza descriptiva. Aplicado a los dominios de Observacional
Geoestadística de Simulación la técnica de Simulación Condicional La técnica Geoestadística estimación de recursos de la Mina Retrospectivo
Condicional Gaussiana comparada Gaussiana al compararla con la denominada Simulación Condicional Cuajone Longitudinal
con la técnica actual utilizada en técnica actual utilizada en Mina Gaussiana, permite reflejar la Descriptivo
Mina Cuajone denominada Cuajone denominada Estimación y naturaleza de la mineralización al Indicadores: 2.Nivel de Investigación
Estimación y los datos reales, para la los datos reales, para la evaluación de representar la proporción de las leyes Descriptivo
evaluación de los dominios de los dominios de recursos según las altas y bajas de los doce dominios de a) Análisis Exploratorio de Datos 3.Método de Investigación
recursos según las concentraciones de concentraciones de leyes de Cobre. estimación de la Mina Cuajone por Assay y Compósitos por dominio Hace referencia al método científico
leyes de Cobre? ello el término condicional; Geoestadísticos: agrupación de descriptivo, el cual tiene como
Problemas Específicos Objetivos Específicos obteniéndose diversas realizaciones o unidades litológicas con Zonas de preocupación dar a conocer las
Problema 1 Objetivo 1: escenarios representados por modelo Mineralización características fundamentales de
¿Cómo se han presentado los Realizar el análisis exploratorio de de bloques con valores de cobre más (400,401,402,403,404,405,406,407,4 fenómenos homogéneos; aplicando
resultados de leyes de cobre de los datos (EDA) de los doce dominios de cercanos a la realidad. Caso contrario 08,409,410 y 412) criterios sistemáticos para analizar el
doce dominios de recursos en base al estimación basados en los resultados se tiene en la metodología actual comportamiento mineralógico de los
análisis exploratorio de datos (EDA) de Cobre de las Campañas de como es la Estimación que sólo b) Proceso de Simulación dominios de estimación de recursos
provenientes de las Campañas de Perforación. representa la mineralización de Condicional Gaussiana, hace honor a de la Mina Cuajone como objeto de
Perforación? Objetivo 2: Cuajone en un sólo escenario, donde los datos reales de la mineralización, estudio del presente trabajo de
Problema 2 Desarrollar el procedimiento a seguir las leyes están suavizadas o datos transformados al espacio investigación por medio de la
¿Cuál ha sido el procedimiento a para aplicar la técnica Geoestadística promediadas no permitiendo evaluar original y variografía para obtener los Simulación Condicional Gaussiana.
seguir para aplicar la técnica de Simulación Condicional la complejidad de las leyes como se alcances por dominio, así como las 4.Población
Geostadística de Simulación Gaussiana. presentan en la naturaleza. realizaciones y/o escenarios por ley Conjunto de resultados químico
Condicional Gaussiana? Objetivo 3: de Cobre. analíticos aplicado a las Campañas de
Problema 3 Elegir el mejor escenario y/o Perforación de la Mina Cuajone.
¿Cuál fue el criterio para elegir el realización al aplicar la técnica de c) Validación de Histogramas, Curva 5. Muestra
escenario y/o realización al aplicar la Simulación Condicional Gaussiana al Tonelaje Ley y Swath Plot, Las leyes de cobre que están
técnica de Simulación Condicional comparar con la técnica de representación de los veinte comprendidas dentro de los dominios
Gaussiana al comparar con la técnica Estimación y la data real por cada escenarios por cada dominio de de estimación.
de Estimación y la data real por cada dominio de recursos según las estimación. La medición será al 6.Muestreo
dominio de recursos según las concentraciones de leyes de Cobre. comparar la media regularizada y con No Probabilístico intencional
concentraciones de leyes de Cobre? peso de la data real vs la media del aplicado a todas las muestras de la
escenario (s) de la Simulación población.
Condicional Gaussiana. 7.Técnicas
Observación y cotejo
8.Instrumentos
Libreta de apuntes
110
a) Libreta de apuntes
BASE DE DATOS
Tabla 19. Campañas de Perforación Mina Cuajone 1942 al 2017 con Análisis de Cobre
Figura 134. Vista Tridimensional de los taladros que conforman la Base de Datos – Campaña
de Perforación Mina Cuajone
112
ARTICULO CIENTÍFICO
1. Resumen
2. Abstract
3. Introducción
4.2.Tipo de Investigación
a. Según la intervención:
Observacional: Porque no se manipulará ninguna variable.
b. Según la Planificación de la toma de datos:
Retrospectivo: Se acudirá a fuente de la Base de Datos de la Mina de
Cuajone.
c. Según el número de mediciones de la variable de estudio
Longitudinal: Se harán varias pruebas con diferentes leyes de corte.
d. Según el número de variables de interés
Descriptivo: Se hará el Estudio de Análisis de Datos a través del Método
de Simulación Condicional Gaussiana para representar la naturaleza de la
Mina Cuajone, conlleva a la vez seguir un procedimiento de tratamiento de
datos por dominios geoestadísticos, tamaño de compósitos o leyes
representativas y desagrupamiento de datos.
4.3.Nivel de Investigación
Descriptivo, porque tiene una sola variable.
4.4.Método de Investigación
Se hace referencia al método científico descriptivo, el cual tiene como
preocupación primordial dar a conocer las características fundamentales de
fenómenos homogéneos; aplicando criterios sistemáticos para analizar el
comportamiento mineralógico de los dominios de estimación de recursos de
117
4.5.Diseño de Investigación
El diseño del proyecto tiene las siguientes características:
1. Observacional: De acuerdo a los resultados de la simulación
condicional.
2. Retrospectivo: En función a la base de datos de la Mina Cuajone.
3. Longitudinal: realizar varias pruebas y/o ensayos según leyes de
corte.
4. Descriptivo: Representar y analizar las leyes según como se
presenten en la naturaleza considerando los valores como tal para
comprender la variabilidad de la mineralización de la zona de
estudios determinado por la Simulación Condicional Gaussiana.
Población, Muestra y Muestreo
Población : Conjunto de resultados producto del análisis químico
aplicado a las campañas de perforación en la Mina Cuajone.
SIM1
EType
Figura 3. Comparación Histogramas Original (izquierda) vs escenarios Simulación Condicional (SIM1 y SIM7)
.
124
Figura 7. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
Figura 8. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 1, 7 y 17
125
SIM14
EType
Figura 10. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 15. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
Figura 16. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 14, 19 y 15
129
EType SIM17
Figura 17. Representación de los 20 escenarios con la variable EType (0.881% Cu)
Figura 18. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 23. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
Figura 24. Gráficas de Swath Plot en los ejes X/Y y Z al comparar las muestras vs los
resultados de las simulaciones 17, 9 y 12
133
SIM8
EType
Figura 25. Representación de los 20 escenarios con la variable EType (0.728% Cu)
Figura 26. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 31. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM5
EType
Figura 33. Representación de los 20 escenarios con la variable EType (0.554% Cu)
Figura 34. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 39. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM8
EType
Figura 41. Representación de los 20 escenarios con la variable EType (0.214% Cu)
Figura 42. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 47. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM1
EType
Figura 49. Representación de los 20 escenarios con la variable EType (0.382% Cu)
Figura 50. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
147
Figura 55. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM7
EType
Figura 57. Representación de los 20 escenarios con la variable EType (0.761% Cu)
Figura 58. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 63. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
EType
SIM18
Figura 65. Representación de los 20 escenarios con la variable EType (0.459% Cu)
Figura 66. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
Figura 71. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
SIM3
Figura 74. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
.
160
Figura 79. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
Figura 81. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
SIM15
EType
Figura 84. Representación de los 20 escenarios con la variable EType (0.682% Cu)
Figura 85. Comparación Modelo de Largo Plazo vs. Escenario Simulación Condicional
165
Figura 90. Curva Tonelaje Ley y resumen de datos por Ley de Corte o Cut Off
6. Discusión de Resultados
comprobar las leyes reales en el caso del modelo simulado en conjunto con el
modelo de bloques de Largo Plazo que se tiene actualmente; este última muestra las
leyes suavizadas o promediadas dentro de un solo escenario. Las gráficas que a la
vez dan soporte a las realizaciones obtenidas denotan los valore donde fluctúan las
medias de las leyes de cobre reproducidas, así como el grado de correspondencia de
información según la población de datos a trabajar en las gráficas de Q-Q Plot. Por
otro lado, de acuerdo a las leyes de corte se tiene cuantificado los recursos según
tonelaje ley por cada dominio de estimación. Además, en las gráficas de Swath Plot
cuyo objetivo es evaluar el comportamiento de los valores obtenidos en los tres ejes
(norte, este y profundidad) así como deducir si se subestima o sobreestima los
valores de cobre según el valor real de este analito
De acuerdo a los cuadros presentados por cada dominio de estimación según
los resultados obtenidos, las gráficas obtenidas denotan los recursos presentes según
la ley de corte expresado en las gráficas de Curva Tonelaje Ley; evaluado por el
método de Simulación Condicional. Así como la comparación de los histogramas
con la data real. Este proceso se ha aplicado en el estudio según los antecedentes en
un depósito exótico en el país del sur para el modelamiento de recursos. Al igual en
la caracterización de recursos y control de leyes en Australia aplicando un conjunto
de herramientas geoestadísticas evaluando criterios para obtener imágenes
características del depósito como son los modelos o escenarios creados por el uso de
la Simulación Condicional Gaussiana, esta técnica asume los datos tal cual se
presentan en la naturaleza por ello el término condicional.
pero al comparar con el modelo Simulado según la elección del mejor escenario
dentro de un banco representativo por cada dominio de estimación; se observa los
verdaderos valores de cobre tal cual se presentan en la naturaleza y registrados en la
Base de Datos de las Campañas de Perforación de la Mina Cuajone entre el periodo
de 1942 al 2017.
La Simulación Condicional Gaussiana permitió representar la mineralización de
la Mina Cuajone con valores anómalos o sin ellos por ello el término condicional, las
gráficas estadísticas y multivariadas (Q-Q Plot, Curva Tonelaje Ley y Swath Plot)
han permitido evaluar el comportamiento de la población de datos, el registro
cuantificado de los recursos presentes en la zona de estudio según la ley de corte
establecida, además de la distribución de los datos simulados en direcciones norte,
este y profundidad.
Con esta técnica se pueden tener diversas realizaciones o escenarios
dependiendo de la cantidad de datos a procesar según el software minero a utilizar.
Cabe resaltar que los datos dependen de la conformación de los dominios de
estimación, que para nuestro caso se basó en la fusión de unidades litológicas como
también agrupadas por zonas de mineralización.
Finalmente, al tener diversas realizaciones o escenarios por medio de la
Simulación Condicional Gaussiana; servirá para poder planificar el diseño y
extracción de los recursos presentes en la Mina Cuajone, sin afectar su flujo de caja,
como también evaluar zonas de riesgo e incertidumbre.
171
CONCLUSIONES
REFERENCIAS BIBLIOGRÁFICAS
Marín Suárez, A., & Mendoza Ayala, I. (2012). La Geoestadística en América una
aplicación reciente del Centro Estadístico Peruano SIPLAMIN 2012.
Simulación Condicional Proyecto Minero El Porvenir - Milpo. Lima, Lima,
Perú.
Retto Magallanes, O., & Saenz Rivera, F. (Mayo de 2013). Espaciamiento Óptimo de
Taladros aplicando Simulación Condicional Mina Tantahuatay. Lima, Lima,
Perú.