Yauyos
Yauyos
Yauyos
AREQUIPA – PERÚ
2022
DEDICATORIA
i
AGRADECIMIENTOS
Del mismo modo agradezco al Ing. Carlos Villanueva, Gerente General del
Proyecto Yauricocha, a los Ing. Washington Larico Cayo; Katia Uxúa de los
Milagros Encalada Julca, Roosmery Delgado La Madrid, Marite Ancco Castillo,
Manuel Quispe Chilón y al Área de Geología en general, así como al Área de Dibujo
a cargo de Nilton Quispe Arteaga, Jorge Enero Huaringa y Moisés Sasiga H. por su
apoyo, críticas y asesoramiento, durante desarrollo y culminación del estudio.
ii
RESUMEN
iii
ABSTRACT
The present work was carried out with the purpose of demonstrating that the
use of computer technology such as implicit geological modeling software,
geostatistics and the application of good practices are together useful tools to
characterize mineral resources in a reliable manner and according to international
codes. For this, in the first instance, mine data was collected such as: mapping,
channel sampling and diamond drilling, for later use in the geological modeling
software, with which the resource and reserve reports were made in the Yauricocha
Mining Unit; In this regard, the focus of this work included the Esperanza body, thus
being able to determine the geological behavior and the characterization of the
resources. Second, the exploratory data analysis (EDA) was carried out, followed
by the variographic analysis, estimation and validation of resources through the use
of modeling software such as Leapfrog, Datamine, Snowden Supervisor, Target for
ArcGIS which were shown through tables. and figures, which in turn were very useful
due to the versatility and ease of their application. The quality control carried out in
the sampling of diamond drilling witnesses, channel sampling of the different
exploitation windows, geological mapping, gave good results because it was
possible to ensure the quality and level of confidence of the information used for
modeling. geological, estimation and categorization of resources. Finally, the results
obtained regarding the quality of prediction of mineral resources for the Esperanza
body were very favorable, therefore, the validation results for measured, indicated
and inferred resources meet the standards established by international codes such
as they are the NI 43-101 CMI, among others.
Keywords: geostatistics, geological modeling, Esperanza ore body,
resource estimation.
iv
ÍNDICE GENERAL
DEDICATORIA .................................................................................................................. i
AGRADECIMIENTOS ...................................................................................................... ii
RESUMEN........................................................................................................................iii
ABSTRACT ......................................................................................................................iv
ÍNDICE GENERAL ........................................................................................................... v
ÍNDICE DE TABLAS ........................................................................................................ix
ÍNDICE DE FIGURAS....................................................................................................... x
ACRÓNIMOS Y ABREVIATURAS .................................................................................xiii
CAPÍTULO I
INTRODUCCIÓN
1.1. Generalidades .................................................................................................... 1
1.2. Ubicación y accesibilidad del proyecto................................................................ 2
1.2.1. Ubicación. .................................................................................................... 2
1.2.2. Accesibilidad................................................................................................ 2
1.3. Justificación ........................................................................................................ 3
1.4. Formulación del problema .................................................................................. 3
1.4.1. Definición del problema. .............................................................................. 3
1.4.2. Formulación del problema. .......................................................................... 4
1.5. Alcances y limitaciones ....................................................................................... 5
1.5.1. Alcances. ..................................................................................................... 5
1.5.2. Limitaciones................................................................................................. 5
1.6. Variables e indicadores ...................................................................................... 6
1.6.1. Independiente. ............................................................................................. 6
1.6.2. Dependiente. ............................................................................................... 6
1.6.3. Indicadores. ................................................................................................. 6
1.7. Objetivos ............................................................................................................ 6
1.7.1. General........................................................................................................ 6
1.7.2. Específicos. ................................................................................................. 7
1.8. Hipótesis ............................................................................................................. 7
1.9. Clima y vegetación ............................................................................................. 7
1.10. Fisiografía ....................................................................................................... 7
1.11. Drenaje ........................................................................................................... 8
1.11.1. Drenaje superficial. .................................................................................. 8
1.11.2. Drenaje subterráneo. ............................................................................... 8
v
CAPÍTULO II
MARCO TEÓRICO
2.1. Antecedentes de la investigación........................................................................ 9
2.2. Bases teóricas ...................................................................................................10
2.2.1. Modelo geológico. ......................................................................................11
2.2.1. Geoestadística............................................................................................13
2.2.2. Estimación de recursos minerales ..............................................................21
CAPÍTULO III
MATERIAL DE ESTUDIO
3.1. Geología regional ..............................................................................................24
3.1.1. Estratigrafía. ...............................................................................................25
3.1.2. Rocas intrusivas (n-gd) ...............................................................................28
3.2. Geología local....................................................................................................31
3.2.1. Estratigrafía. ...............................................................................................31
3.2.2. Rocas intrusivas. ........................................................................................33
3.3. Geología estructural ..........................................................................................36
3.3.1. Fracturas. ...................................................................................................37
3.3.2. Falla Yauricocha. ........................................................................................37
3.3.3. Falla Chonta. ..............................................................................................38
3.3.4. Pliegues......................................................................................................38
3.4. Geología económica ..........................................................................................42
3.4.1. Mineralización.............................................................................................42
3.4.2. Metamorfismo. ............................................................................................44
3.4.3. Alteraciones hidrotermales .........................................................................44
CAPÍTULO IV
METODOLOGÍA DE LA INVESTIGACIÓN
4.1. Tipo de investigación .........................................................................................46
4.2. Diseño de la investigación .................................................................................46
4.3. Población y muestra ..........................................................................................46
4.4. Técnicas e instrumentos de recolección de datos ..............................................47
4.5. Metodología de trabajo ......................................................................................47
4.5.1. Recopilación de datos. ...............................................................................47
4.5.2. Muestreo. ...................................................................................................48
4.5.3. Control de calidad de las muestras. ............................................................48
4.5.4. Modelamiento geológico y estimación del recurso. .....................................48
vi
CAPITULO V
MODELAMIENTO DE RECURSOS MINERALES DEL CUERPO ESPERANZA –
YACIMIENTO YAURICOCHA
5.1. Exploración y recolección de datos ....................................................................49
5.2. Muestreo y control de calidad (QA/QC) .............................................................49
5.2.1. Muestras duplicadas. ..................................................................................50
5.2.2. Muestras estándar. .....................................................................................55
5.2.3. Muestras blanco. ........................................................................................58
5.3. Manejo de la base de datos ...............................................................................58
5.3.1. Base de datos primaria. ..............................................................................58
5.3.2. Base de datos interpretada. ........................................................................59
5.3.3. Valores especiales en tablas de recursos. ..................................................60
5.3.4. Data de recursos empleado. .......................................................................61
5.3.5. Despliegue de datos. ..................................................................................61
5.3.6. Codificación de la data de recursos. ...........................................................64
5.4. Análisis exploratorio de datos (EDA)..................................................................67
5.4.1. Efecto proporcional. ....................................................................................67
5.4.2. Histogramas. ..............................................................................................68
5.4.3. Gráfico de probabilidades. ..........................................................................70
5.4.4. Diagrama de cajas. .....................................................................................72
5.4.5. Nube de dispersión o correlación (scatter plots). ........................................75
5.4.6. Matriz de correlación. .................................................................................76
5.4.7. Coeficiente de variación. ............................................................................77
5.4.8. Análisis de contacto. ...................................................................................77
5.4.9. Altos erráticos (outliers). .............................................................................80
5.4.10. Desagrupamiento. ...................................................................................83
5.5. Interpretación geológica y modelamiento...........................................................83
5.5.1. Modelo conceptual......................................................................................83
5.5.2. Modelamiento geológico. ............................................................................84
5.6. Análisis geoestadístico de datos ........................................................................88
5.6.1. Compositación. ...........................................................................................88
5.6.2. Análisis de tendencia de leyes. ...................................................................90
5.6.3. Variograma. ................................................................................................90
5.7. Estimación de recursos del cuerpo Esperanza ..................................................96
5.7.1. Principios de interpolación lineal. ................................................................96
5.7.2. Modelo de bloques. ....................................................................................97
5.7.3. Dominios de interpolación.........................................................................100
vii
5.7.4. Métodos de interpolación lineal.................................................................102
5.7.5. Error de estimación...................................................................................102
5.7.6. Suma de pesos. ........................................................................................102
5.7.7. Varianza de estimación. ...........................................................................103
5.7.8. Propiedades del Kriging. ...........................................................................104
5.7.9. Elipsoide de búsqueda. ............................................................................104
5.7.10. Determinación y optimización de parámetros ........................................105
5.7.11. Buenas prácticas en la estimación. .......................................................109
5.7.12. Fuentes de errores comunes en la estimación. .....................................109
5.7.13. Ley de corte. .........................................................................................109
CAPÍTULO VI
ANÁLISIS Y DISCUSIÓN DE RESULTADOS
6.1. Clasificación y validación de recursos del cuerpo Esperanza ..........................110
6.1.1. Validación. ................................................................................................112
6.1.2. Sesgo global. ............................................................................................117
6.1.3. Sesgo condicional. ...................................................................................118
6.1.4. Curva tonelaje-ley. ....................................................................................119
6.1.5. Reporte de recursos. ................................................................................120
6.2. Discusión de resultados ...................................................................................121
CONCLUSIONES ..........................................................................................................123
RECOMENDACIONES ..................................................................................................124
BIBLIOGRAFÍA ..............................................................................................................125
viii
ÍNDICE DE TABLAS
ix
ÍNDICE DE FIGURAS
Figura 3. 1. Mapa geológico regional. Fuente: Base de datos digital del GEOCATMIN. ..29
Figura 3. 2. Columna estratigráfica regional Tarma - La Oroya. Fuente: Adaptado del
INGEMMET, 1996. ..........................................................................................................30
Figura 3. 3. Geología local de Yauricocha. Fuente: Sociedad Minera Corona S.A. ..........35
Figura 3. 4. Columna estratigráfica local de Yauricocha. Fuente: Sociedad Minera Corona
S.A...................................................................................................................................36
Figura 3. 5. Sección Transversal Mina Yauricocha. Fuente: Sociedad Minera Corona S.A.
........................................................................................................................................40
Figura 3. 6. Plano estructural. Fuente: Sociedad Minera Corona S.A. .............................41
Figura 3. 7. Modelo esquemático de alteraciones hidrotermales del cuerpo Esperanza.
Tomado de Pacori, 2020. .................................................................................................45
x
Figura 5. 9. Sondajes perforación diamantina con la topografía con la cual se valida la
ubicación correcta del collar de los sondajes. ..................................................................63
Figura 5. 10. Strip Log en sondaje diamantino. ................................................................64
Figura 5. 11. Dominio por estructura mineralizada. ..........................................................66
Figura 5. 12. Análisis para efecto proporcional. ...............................................................68
Figura 5. 13. Análisis por histogramas para Cu................................................................69
Figura 5. 14. Análisis por histogramas para Zn. ...............................................................70
Figura 5. 15. Análisis por gráficos de probabilidad para Cu. ............................................71
Figura 5. 16. Análisis por gráficos de probabilidad para Zn. .............................................72
Figura 5. 17. Box plot por estructura mineralizada para Cu..............................................72
Figura 5. 18. Box plot por estructura mineralizada para Zn. .............................................73
Figura 5. 19. Box plot por litología para Cu. .....................................................................73
Figura 5. 20. Box plot por litología para Zn. .....................................................................74
Figura 5. 21. Box plot por tipo de muestreo para Cu. .......................................................74
Figura 5. 22. Box plot por tipo de muestreo para Zn. .......................................................75
Figura 5. 23. Gráficos de correlación para Zn, Ag, Pb, Cu y Fe. ......................................76
Figura 5. 24. Análisis de contacto por dominios. ..............................................................78
Figura 5. 25. Análisis de correlación por estructura mineralizada.....................................79
Figura 5. 26. Análisis de top cut o capping para Cu. ........................................................80
Figura 5. 27. Análisis de top cut o capping para Zn. ........................................................81
Figura 5. 28. Análisis de top cut o capping para Pb. ........................................................82
Figura 5. 29. Modelo geológico por estructuras mineralizadas. ........................................85
Figura 5. 30. Validación de modelos de recursos.............................................................86
Figura 5. 31. Dominios para recursos. .............................................................................87
Figura 5. 32. Análisis de longitud de muestreo para compositar. .....................................89
Figura 5. 33. Variables compositadas a 1m. ....................................................................89
Figura 5. 34. Parámetros para análisis de variogramas. Fuente: SRK CONSULTING. ....91
Figura 5. 35. Mapa de variogramas direccionales con lo cual se podrá definir la existencia
de anisotropías preferenciales Cu....................................................................................92
Figura 5. 36. Mapa de variogramas direccionales con lo cual se podrá definir la existencia
de anisotropías preferenciales Zn. ...................................................................................93
Figura 5. 37. Variograma downhole y experimental para Cu. ...........................................94
Figura 5. 38. Variograma downhole y experimental para Zn. ...........................................95
Figura 5. 39. Variograma teórico para Cu y Zn. ...............................................................95
Figura 5. 40. Vista en sección de modelo de bloques con litología y mineralización. .......97
Figura 5. 41. Modelo de bloques. .....................................................................................98
Figura 5. 42. KNA para análisis de tamaño de bloques....................................................99
xi
Figura 5. 43. KNA para discretización en modelo de bloques. .........................................99
Figura 5. 44. Modelo de bloques mineralización. ...........................................................100
Figura 5. 45. Modelo de bloques mineralización de sulfuros por estructura. ..................100
Figura 5. 46. Modelo de bloques por dominio. ...............................................................101
Figura 5. 47. Elipsoide de búsqueda. .............................................................................105
Figura 5. 48. Estrategia de búsqueda de recursos. ........................................................106
Figura 5. 49. Análisis de número de muestras para recursos.........................................107
Figura 5. 50. Análisis de regresión e histogramas para evaluar la densidad. .................108
xii
ACRÓNIMOS Y ABREVIATURAS
xiii
CAPÍTULO I
INTRODUCCIÓN
1.1. Generalidades
El consumo y comercialización de concentrados minerales como cobre, plata
y zinc es cada vez mayor a nivel mundial, motivo por el cual, las empresas mineras
tienen como necesidad explorar y descubrir nuevos yacimientos con potencial
técnico y económico que garantice la producción a nivel mundial; es por ello, que
hacer uso de herramientas acorde a la vanguardia en minería serán necesarios en
la optimización de los métodos de exploración, explotación y comercialización de
concentrados, sin dejar de lado el impacto a la seguridad y el medio ambiente con
el menor costo posible. Motivo por el cual, se utilizó el software de modelamiento
geológico, con la finalidad de optimizar los trabajos en las diferentes etapas de
explotación en el cuerpo Esperanza del yacimiento de Yauricocha.
La gran variedad de depósitos por reemplazamiento en rocas carbonatadas
y un gran historial de infraestructura minera, hacen que el distrito minero de
Yauricocha sea ideal para realizar trabajos de mapeo geológico, geoquímica,
geofísica, perforación diamantina, muestreo y análisis como guías de exploración
para este tipo de depósitos.
El cuerpo Esperanza es un cuerpo de reemplazamiento metasomático de
forma irregular emplazado en contacto con calizas de la formación Jumasha, lutitas
de la formación Celendín hacia la parte superior y al contacto con el intrusivo
granodiorítico, este cuerpo tiene una longitud aproximada de 900 m con dirección
1
(NW-SE) y buzan a gran ángulo al NE o son aproximadamente verticales. Sus
dimensiones verticales son de 500 m con anchos variables de 10 m a 80 m,
tendiendo a ser fusiformes en profundidad.
El cuerpo Esperanza se explota por medio de Sub Level Caving mecanizado
no selectivo ya que la mineralización es friable principalmente de Py y sulfuros
polimetálicos pudiendo ser Cu o Zn con contenidos de Ag, Pb, Au, como
mineralización principal. El As y Fe son minerales accesorios predispuestos a
penalidad en la comercialización de concentrados.
Debido a la complejidad de los cuerpos mineralizados y la gran variabilidad
de las leyes, es que se hace uso de software de modelamiento de recursos, así
como también aplicar buenas prácticas durante el proceso de modelamiento
geológico y estimación de recursos con el objetivo de reducir la incertidumbre
geológica presente en este tipo de yacimientos.
1.2.2. Accesibilidad.
Las principales vías de acceso a la mina Yauricocha, son por la carretera
central Lima – Huancayo – Yauricocha con 420 km de distancia, la vía es asfaltada
2
de Lima a Huancayo – Chupaca, de Chupaca hasta la mina Yauricocha es carretera
afirmada.
Otra vía importante es por la Panamericana Sur, Lima – Cañete –
Yauricocha, por el valle del río Cañete con una distancia de 370 km, la vía esta
asfaltada de Lima a Pacarán y de Pacarán a la mina Yauricocha es carretera
afirmada (ver tabla 1.2).
1.3. Justificación
Los métodos tradicionales para la estimación de recursos minerales
presentan limitaciones en la delimitación de la variabilidad espacial, frente a ello el
avance de herramientas tecnológicas para el correcto proceso de modelamiento y
estimación de recursos siguiendo los lineamientos de buenas prácticas
establecidos en los códigos internacionales, sujetos a la experiencia y conocimiento
de la persona competente permiten obtener un nivel de confianza aceptable en la
predicción de recursos y por ende, la extracción de mineral del cuerpo Esperanza
presente un nivel de incertidumbre geológico y económico aceptables.
3
Figura 1. 1. Mapa de ubicación de la Unidad Minera Yauricocha. Fuente: Base cartográfica digital del IGN, MTC y GEOCATMIN.
4
1.4.2. Formulación del problema.
El modelamiento de recursos por métodos geométricos tradicionales y el uso
de malas prácticas conlleva a deficiencias técnicas y económicas en distintas
etapas de la vida útil de la mina. En consecuencia, es importante realizar de
manera adecuada el proceso de modelamiento de recursos en sus distintas etapas
y de esta manera optimizar resultados y reducir los niveles de riesgo técnico y
económicos.
1.5.2. Limitaciones.
- La información de interés específico para la empresa no será publicada,
debido que estos son confidenciales para uso propio.
- El presupuesto económico restringido, el cual ayudaría a realizar estudios
analíticos actualizados.
5
- Presupuesto limitado para establecer protocolos en la toma de muestras,
tanto de análisis químicos y densidad.
1.6.2. Dependiente.
- Validación de base de datos.
- Caracterización de recursos.
- Modelo geológico de estructuras mineralizadas.
- Determinación de dominios geológicos.
- Mejoras de resultados en la estimación de recursos y la extracción de mineral
o desmonte del cuerpo Esperanza.
1.6.3. Indicadores.
- Recursos medidos, indicados e inferidos.
- Consistencia del modelo.
- Sesgo global de las estimaciones entre la ley real.
- Variable estimada y variable real.
- Leyes reales y estimadas de bloques.
1.7. Objetivos
1.7.1. General.
Construir el modelo geológico del cuerpo Esperanza del Yacimiento
Yauricocha y su evaluación de recursos, con la finalidad de añadir valor y reducir el
riesgo presente en distintas etapas de explotación minera mediante la aplicación
del uso de software en el modelamiento de recursos.
6
1.7.2. Específicos.
1. Demostrar que la aplicación del software para modelamiento y las buenas
prácticas optimizan el modelamiento y estimación de recursos en el cuerpo
Esperanza.
2. Validar los procedimientos de control de calidad (QA/QC) del muestreo en
las labores mineras.
3. Aprovechar el uso de los métodos estadísticos y geoestadísticos mediante
softwares geológicos.
4. Disminuir la sobreestimación y subestimación de recursos.
5. Reducir el tiempo de modelamiento y estimación de recursos y reservas.
6. Reducir el riesgo técnico y económico en la explotación minera.
1.8. Hipótesis
La aplicación del software de modelamiento recursos añadido del uso de
buenas prácticas contribuye a la mejora de resultados en la caracterización de
recursos minerales; por ende, una mejor gestión en distintas etapas de la
explotación minera.
1.10. Fisiografía
La topografía del distrito de la mina Yauricocha es muy accidentado con
escarpas y cumbres elevadas en algunos casos cubierto por nieve perpetua. En la
actual topografía de terreno, indudablemente ha jugado un papel importante la
7
glaciación del Pleistoceno a que ha sido sometido, quedando como testigo lo valles
en “U”, circos glaciares, lagunas escalonadas como Yauricocha, Uñascocha y
Acococha ubicadas al Sur de la mina, fuera del área de estudio.
En el modelado también ha jugado un rol importante los afloramientos de
intrusivos, calizas y lutitas, siendo las rocas más débiles fácilmente erosionadas,
representadas por depresiones como la quebrada Chumpe.
1.11. Drenaje
El drenaje de la zona se realiza a través de la quebrada Chumpe, que
desembocan al rio Huancachi, que a su vez es tributario del rio Cañete, este último
culmina en el Océano Pacifico, cuyo drenaje es dendrítico.
8
CAPÍTULO II
MARCO TEÓRICO
9
de recursos y hacer uso de las principales herramientas estadísticas y
geoestadísticas enfocadas a adaptaciones prácticas, con la cual se logre obtener
recursos estimados confiables; así mismo, se hace hincapié en las dificultades,
debilidades intrínsecas de dichas herramientas y lo critico de usar modelos de
recursos en la industria minera.
En el libro de AusIMM (2014) se presentan diversos temas referentes al
proceso de estimación de recursos de distintos casos de estudio como The
Newmont Boddington Gold Gold/ Copper(Au-Cu), The Gold Copper Silver
Canahuire(Au), The Domang Gold Mine (Au), Salt Creek Gold Deposit (Au), The
Copler Gold Mine, The Haquira Porphyry Copper, entre otros a nivel mundial; donde
se resume en distintos temas la interacción técnica, financiera y la evaluación de
riesgos en la cual está comprometido todo el proceso de estimación de recursos y
reservas minerales. En distintas partes del libro se hace énfasis en la importancia
de la geología, los requerimientos para una base de datos de calidad, la naturaleza
multidisciplinaria de la estimación de recursos, manejo de herramientas muy
potentes como la geoestadística y los programas computacionales, la experiencia,
entrenamiento, trabajo en equipo, planeamiento y comunicación para minimizar el
riesgo y lograr un nivel adecuado en los resultados durante la extracción y
reconciliación de los recursos y reservas estimadas.
10
medida de incertidumbre, puesto que sus mismas fuentes la presentan, por ello se
requiere cuantificar esta incertidumbre en las variables, pronosticadas por las
buenas prácticas.
12
datos para una inferencia y descripción estadística confiable y, en el segundo caso
es probable que los datos se subdividan en más subdivisiones geológicamente
homogéneas (Rossi & Deutsch, 2014).
Un factor importante en la evaluación de recursos es la definición adecuada
de los dominios de estimación. Puesto que, mezcla de poblaciones dentro del
depósito generalmente producirá un recurso por debajo del estándar de estimación
que subestima o sobreestima las calificaciones y tonelajes. Es muy raro que alguna
técnica geoestadística compensará una mala definición de estacionariedad (Rossi
& Deutsch, 2014).
En las interpretaciones geológicas y el modelado de la estimación, los
dominios producen límites que a menudo conllevan a una incertidumbre
significativa. En cuanto a ello, el tratamiento y la definición de los límites conlleva a
implicancias en la estimación de recursos tales como dilución, pérdida mineral o
una mezcla de poblaciones geológicas; es por eso que, es importante realizar el
tratamiento de estos límites al momento de la estimación de la ley. Los términos
límites duros y blandos se utilizan para describir si el cambio en la distribución de
calificaciones a través del contacto es brusco o no, respectivamente; por lo general
los límites entre unidades geológicas son considerados “duros” por lo que no se
produce mezcla a través del límite; por otra parte, los límites “suaves” permiten
categorías de dominios vecinos que son usados. A veces, límites suaves y duros
pueden ser predichos o esperados a partir del conocimiento geológico, pero
siempre debe confirmarse con análisis de contacto estadístico (Ortiz y Emery;
Larrondo y Deutsch (como se citó en Rossi & Deutsch, 2014, p. 59)).
2.2.1. Geoestadística.
La geoestadística se define como el estudio de fenómenos regionalizados,
es decir, que se extienden en el espacio y presentan una cierta continuidad. Por
“espacio”, entenderemos en general el espacio geográfico, pero puede también
tratarse del eje temporal o de espacios más abstractos. El objeto sobre el cual
trabajaremos será una descripción matemática del fenómeno regionalizado, a
saber, una o varias funciones numéricas llamadas variables regionalizadas, que
miden ciertas propiedades o atributos relacionados con este fenómeno. (Emery,
2021).
13
Por otra parte, en Tulcanaza (1999 b.), se menciona que en las estimaciones
convencionales donde se utilizan métodos como el promedio estadístico, método
de polígonos, inverso a la distancia, etc., en donde el cálculo está dado por la
magnitud de las variables, sin embargo estas no satisfacen cualquier estimación,
puesto que la variable estudiada como el caso de la ley metal es una variable
aleatoria sin correlación especial, donde los valores en el espacio son
independientes, ignorando una de las características fundamentales de las
variables que se desplazan en el espacio (variables regionalizadas) como su
carácter estructural y su estructura espacial, esto se resume en la siguiente figura
2.2:
A. Variable regionalizada
Desde el punto de vista conceptual es una función determinística que
presenta dos aspectos complementarios, por un lado, tiene una cierta continuidad
espacial y por otra varia irregularmente y escapa de toda representación simple.
Dado que un fenómeno regionalizado nunca posee una extensión infinita, esta ha
14
sido estudiada dentro de un dominio limitado D llamado campo de la variable que
puede representar a una zona natural, fuera de la cual la variable no está definida.
Esta representa no solo a un punto del espacio sino a una superficie o volumen,
estas dos últimas son denominadas “soporte”. En general el soporte de las
mediciones es muy pequeño “asimilado a un punto”, mientras que en la practica el
que más interesa es voluminoso (como en las unidades selectivas de explotación
en evaluación minera), esto es esencial por la dependencia que hay entre el soporte
y la distribución estadística de los valores, conocida como efecto soporte “los
soportes voluminosos presentan una menor cantidad de valores extremos y una
mayor cantidad de valores intermedios que los soportes puntuales”; así, la
distribución de los valores (en especial, su varianza) depende del soporte sobre el
cual está definida la variable regionalizada. Por ejemplo, en la figura 2.3 se muestra
la distribución de la ley de cobre en un yacimiento medida en tres soportes distintos,
el histograma tiende a simetrizarse cuando aumenta el soporte y disminuye la
varianza y se mantiene constante el valor promedio (Emery, 2013, pp.6-8).
15
Normalmente esta variable se conoce a través de un conjunto limitado de
datos siendo necesario la realización de modelos, por eso, debe tenerse presente
que un modelo nunca describe la variable regionalizada en su totalidad, sin
simplificación, ni distorsión, siendo necesario reducir al máximo la complejidad del
modelo evitando introducir hipótesis o parámetros arbitrarios, que no se puedan
controlar experimentalmente (Emery, 2013).
B. Problemas de estimación
Constituye un objetivo importante en geoestadística evaluar de la manera
más precisa un valor que no ha sido medido a partir de los datos que se disponen.
La medida de la precisión de la estimación está dada por medio de herramientas
probabilísticas como varianzas o intervalos de confianza (Emery, 2013). Se tiene
dos tipos de estimaciones:
Estimación local: se interesan por los diferentes sectores de la zona de
estudio. En general, se busca evaluar el valor en un sitio que no ha sido muestreado
o el valor promedio de un “bloque” cuyo soporte es mayor que el soporte de los
datos. En este problema, debe considerarse la continuidad espacial de la variable
regionalizada, las distancias entre el sector a estimar y los sitios con datos, así
como la configuración espacial de los mismos sitios con datos puesto que datos
agrupados suelen tener valores parecidos, constituyéndose en información
redundante. (Emery, 2021)
Estimación global: busca caracterizar el campo D completo por un valor
único (por ejemplo, la media de la variable regionalizada en estudio) o por una
distribución estadística (histograma). Es poco común que una estimación global sea
suficiente; frecuentemente, se requiere completarla con estimaciones locales. Por
ejemplo, en un estudio de contaminación de suelo, no basta con evaluar la
concentración promedio en toda la zona de un elemento contaminante, sino que es
necesario distinguir los sectores fuertemente contaminados de aquellos que no lo
están. (Emery, 2021)
16
problemas que se pudieran presentar en la fase de estimación local (como valores
atípicos). En cuanto a ello, es de mucha ayuda el despliegue de datos para
visualizar la ubicación en el espacio con proyecciones en plantas y secciones, así
como mapas con valores medidos para tener una idea preliminar (Emery, 2013,
pp.11-12).
• Estadística básica
Según Emery (2013), algunas estadísticas básicas sobre la distribución de
valores, están dadas por:
Medidas de posición
- Media: promedio aritmético de los valores.
- Cuantiles o percentiles: valores que dividen la población en partes de igual
número de datos. Por ejemplo, la mediana divide la población en dos partes,
los cuartiles en cuatro partes (la mediana coincide con el segundo cuartil), los
quintiles en cinco partes y los deciles en diez partes. Contrariamente a la media,
los cuantiles son parámetros robustos, es decir, poco sensibles a la presencia
de algunos valores muy altos o muy bajos.
- Mínimo y máximo: establecen el rango en el cual se distribuyen los valores.
Medidas de dispersión
- Varianza: promedio aritmético de la desviación cuadrática entre cada valor y la
media. Esta medida cuantifica la dispersión del histograma y se expresa en el
cuadrado de la unidad de la variable en estudio.
- Desviación estándar: raíz cuadrada de la varianza; se expresa en la misma
unidad que la variable en estudio.
- Coeficiente de variación (para variables positivas): razón entre la desviación
estándar y la media; es adimensional.
- Rango intercuartil: ancho del intervalo entre el primer y el tercer cuartil, que
contiene la mitad de los datos.
(p. 14)
17
• Herramientas estadísticas
Histograma
Representa gráficamente las frecuencias de ocurrencia en función del valor
que es dividido en intervalos, donde se muestra la proporción de datos que caben
dentro de cada uno de estos (ver figura 2.4 a). Este es muy útil para detectar valores
atípicos (“outliers”); sin embargo, este dato atípico no debe ser considerado falso o
ser eliminado sin razón, debiendo más bien ser analizado, también el histograma
es un primer medio para verificar la homogeneidad, así también un histograma
multimodal puede permitir la identificación de varias poblaciones pudiéndose dividir
en sub-zonas (Emery, 2013).
Desagrupamiento
Para calcular el histograma y las estadísticas elementales, es frecuente
considerar una variable de ponderación o “desagrupamiento” (en inglés,
declustering) de modo de corregir los efectos provocados por las irregularidades de
la malla de muestreo. La idea es asignar a los datos espacialmente agrupados, en
parte redundantes, un ponderador más pequeño que a los datos aislados, los
cuales son representativos de una porción más extensa del campo (Emery, 2021).
Para determinar esta variable se puede utilizar el método de las celdas (que
requiere definir inicialmente el tamaño de la celda elemental y se examina su
impacto en la media ponderada, como se muestra en la figura 2.4 b).
Histograma acumulado
Representa la frecuencia acumulativa, donde los valores están bajo cierto
umbral como una función de este umbral. De la misa manera que el histograma las
frecuencias se pueden calcular tomando en cuenta ponderadores del
desagrupamiento (ver figura 2.4 c). El histograma acumulado es una función
creciente, desde 0 (para el valor más bajo de la variable) hasta 1 (para el valor más
alto). Al contrario, el histograma acumulado inverso, que muestra la frecuencia de
valores que superan un umbral en función de este umbral, es una función
decreciente (desde 1 hasta 0), conocida en geoestadística minera como curva
tonelaje-ley dado que la frecuencia acumulada es proporcional al tonelaje de
material cuya ley supera la ley de corte (Emery, 2013, p.17).
18
Gráfico de probabilidad
Sirve para comparar una distribución experimental con una distribución de
referencia (en general, una normal o una lognormal). Consiste en cambiar la escala
de los ejes del histograma acumulado de tal modo que, si la distribución
experimental coincide con la distribución de referencia, se dibujaría una recta, como
se muestra en la figura 2.4 d (Emery, 2013, p.18).
Diagrama de cajas
Permite resumir algunas características de la distribución, tal como su
simetría y su dispersión, a veces se presenta acompañando a un histograma,
presenta un solo eje, en el cual se representan cinco cuantiles: los cuantiles a 2.5%
y 97.5%, el primer y el tercer cuartil y la mediana (ver figura 2.4 e). Entre los dos
cuantiles extremos, se observa el 95% de los datos, mientras que entre el primer
cuartil y la mediana se observa el 25% de los datos, al igual que entre la mediana
y el tercer cuartil (Emery, 2013, p.17).
a) b)
c) d)
19
e)
Figura 2. 4. Herramientas estadísticas de datos. Fuente: Emery, 2013.
• Análisis multivariable
Gráfico cuantil contra cuantil
El gráfico cuantil contra cuantil busca “comparar” dos distribuciones entre sí,
que pueden ser asociadas a variables distintas o a una misma variable medida en
zonas distintas o con aparatos distintos, en este último caso sirve para decidir por
comparación si ambos grupos tienen una distribución idéntica y provienen de la
misma población. El gráfico consiste en visualizar los cuantiles de los dos grupos
(ver figura 2.5 a), si el gráfico resulta en una recta significa que las distribuciones
de los dos grupos de datos tienen la misma forma, pero, si este no dibuja una recta,
entonces los dos grupos de datos tienen distribuciones con formas distintas (Emery,
2013, p.19).
Matriz de correlación
La relación entre dos variables puede ser resumida a través de un
coeficiente, llamado coeficiente de correlación lineal, que mide el grado de
“proporcionalidad” que existe entre ambas variables. Este coeficiente tiene un valor
entre -1 y 1 (estos extremos corresponden al caso en el cual las variables son
exactamente proporcionales entre sí, con un coeficiente de proporcionalidad
negativo o positivo, respectivamente).
20
Cuando existen más de dos variables, se puede construir una matriz de
correlación, como se muestra en la figura 2.5 c, donde se coloca en la intersección
de la fila i y columna el valor del coeficiente de correlación entre las variables nºi y
nºj, presentando el ejemplo correlaciones mayores a 0.7 que sugiere un origen
distinto para los diferentes grupos de variables. (Emery, 2013, p.20)
a) b)
c)
Figura 2. 5. Herramientas correlación multivariable. Fuente: Emery, 2013.
21
quisiera revelar tendencias geológicas a gran escala podría ser adecuado el bloque
kriging, splines o la distancia inversa; sin embargo, el objetivo más importante es
predecir la futuro ley y tonelaje de material que se puede extraer. En relación a esto,
existen dos situaciones de importancia para nosotros: (1) estimación provisional
con datos ampliamente espaciados y (2) estimación final, el primero se presenta
durante un periodo de tiempo razonablemente grande, mientras que el segundo se
espera que el valor real recuperado será igual a las estimaciones en valor esperado
(Rossi & Deutsch, 2014, p. 133)
A. Comprobación y validación
Hay muchas razones importantes que exigen la necesidad de comprobación
y validación de modelos de recursos; ya que, la validación del modelo de recursos
tiene dos objetivos básicos: (a) asegurar la consistencia interna de los modelos, y
(b) proporcionar, si posible, una estimación de la precisión del modelo con respecto
a las variables predichas (Rossi & Deutsch, 2014, p. 193).
La consistencia interna significa que todos los procesos que resultan en un
modelo de recursos se han ejecutado según lo previsto, y que no hay
inconsistencias, errores explícitos, omisiones u otros factores que hacen que el
modelo se desvíe de lo que fue destinado. El modelo debe ser una representación
justa de los datos disponibles; para asegurar esto, se deben completar los controles
en el proceso de modelado que incluye: la base de datos compuesta, topografía,
ubicaciones de pozos de perforación, levantamientos de pozos, codificación
geológica, interpretación geológica, desarrollo de modelos de bloques, estimación
de leyes y categorización de recursos (Rossi & Deutsch, 2014, p. 193).
El modelo de recurso mineral debe ser validado usando estadísticas y
herramientas gráficas (Leuangthong et al. 2004), y para ello los controles son útiles
para asegurar la consistencia interna del modelo, lo que implica que el modelo tiene
las características esperadas; asimismo, que no existan errores graves y que todos
los procesos se implementaron correctamente. De hecho, la validación del modelo
de recursos debería cubrir los datos y el modelo geológico utilizado, los dominios
de estimación definidos, y el modelo geoestadístico aplicado (Rossi & Deutsch,
2014, p. 196).
22
B. Códigos internacionales
Proveen de terminología técnica para declaraciones púbicas en minería de
varios países, sobre Resultados de Exploración, Recursos Minerales y Reservas
Minerales; entre estas se tienen el código JORC (Australasian Joint Ore Reserves
Comitee) de Australia y el NI 43-101 de Canadá, teniendo este último
requerimientos y rangos establecidos más amplios que el primero (AusIMM, 2014,
p. 779). A continuación, se presenta una comparación entre ambos códigos:
23
CAPÍTULO III
MATERIAL DE ESTUDIO
24
3.1.1. Estratigrafía.
A. Formación Oyón (Js–Ki)
Corresponden a los estratos más antiguos que afloran en la parte SO del
cuadrángulo de Yauyos, corresponden a areniscas que varían de coloración negro
grisáceo a claras, compactas en bancos de 1 a 4 metros; agrupados en paquetes
de 5 hasta 10 metros, entre los cuales se intercalan conjuntos más gruesos
compuestos por limolitas y areniscas de grano fino. (Geoservice, 2013, p. 6).
25
amarillas alteradas en capas de 1 m de espesor; la formación es de color amarillo
crema terroso muy característico y de gran ayuda para el cartografiado geológico,
pero por su grosor se le representa conjuntamente con la Formación Pariatambo.
(Geoservice, 2013).
26
H. Formación Celendín (Ks-ce)
Sobreyaciendo concordantemente a las calizas Jumasha se encuentra la
Formación Celendín; formadas por lutitas silicificadas finamente estratificadas con
intercalaciones de caliza recristalizada de edad Santoniana. Su espesor promedio,
en el área de estudio es de 400 m. Su edad está en el Cenomaniano Superior dentro
del Cretácico Superior.
Se presenta en afloramientos repartidos aisladamente de calizas con
horizontes de yeso, lutitas rojas y areniscas. Luego siguen rocas carbonatadas en
estratos delgados de margas, calizas arcillosas, calizas y dolomitas con presencia
de nódulos. Algunas calizas y margas tienen olor fétido. (Geoservice, 2013, p. 8)
27
dimensiones y en acumulaciones desordenadas que cuelgan lateralmente en los
valles y quebradas, aunque también las hay del tipo frontal como son las que se
ubican en las boquillas de las lagunas Uñascocha y Acococha.
Otros materiales como los fluviales se encuentran en los cauces de las
quebradas; presentándose inconsolidados. (Geoservice, 2013, p. 9)
28
Figura 3. 1. Mapa geológico regional. Fuente: Base de datos digital del GEOCATMIN.
29
Figura 3. 2. Columna estratigráfica regional Tarma - La Oroya. Fuente: Adaptado del INGEMMET, 1996.
30
3.2. Geología local
La roca con mayor área expuesta son las calizas de la Formación Jumasha,
con espesor de 700 metros. Sobreyaciendo concordantemente se encuentra la
Formación Celendín, formada por lutitas silicificadas con intercalaciones de caliza
recristalizada con espesor promedio de 400 metros, y Sobreyaciendo
concordantemente a la Formación Celendín, se tiene a las Capas Rojas Casapalca,
constituidas principalmente por lutitas rojas calcáreas (Sociedad Minera Corona
[SMC], 2008).
La fase intrusiva que se desarrolló mayormente en el Mioceno-Plioceno, en
el área de Yauricocha, es de composición granodiorítica a monzonitas cuarcíferas.
3.2.1. Estratigrafía.
A. Formación Jumasha (Ks-j)
Esta formación se destaca por ser la más abundante del área y porque en
esta se producen los fenómenos cársticos de interés en Pumacocha.
Esta es una unidad esencialmente calcárea y resistente, con un espesor de
más de 400 m. formando las cumbres y escarpas de los cerros del área de estudio.
Compuesta en su tramo inferior por calizas y dolomías macizas color gris, pasando
en la parte media a calizas en estratos delgados color beige; finalmente destacan
calizas grises azulinas en estratos gruesos y delgados, que en el área de estudio
están fuertemente plegados.
En el área de estudio se pueden diferenciar las tres facies diferentes
(Hildebrandt, 1970), destacando la intermedia de calizas masivas, en esta sección
y la sección superior hay niveles bituminosos, que destacan por su olor fétido. La
formación Jumasha sobreyace a la Formación Pariatambo e infrayace a la
Formación Celendín. (Geoservice, 2013, p. 18)
31
El contacto con el intrusivo granodiorítico, ha favorecido la formación de
suelos in situ. (Geoservice, 2013, p. 22)
32
arcillosos con algo de gravas, sueltos a medianamente densos. En la margen
derecha estos suelos eluviales tienen menos potencia. (Geoservice, 2013, p. 23)
Granodiorita (n-gd)
Roca ígnea intrusiva con textura fanerítica de grano medio; con color gris de
tonos verdosos. Se presentan cristales de plagioclasas y cuarzo; en menor cantidad
cristales de feldespatos potásicos, biotita y anfíboles. Presenta una densidad y
33
dureza media. Además, se observan finas venillas rellenas de cuarzo con pequeños
cristales de pirita. (BizaLab S.A.C., 2016)
Tonalita
Roca ígnea intrusiva de textura fanerìtica de grano medio y de color gris. Se
observan cristales de plagioclasas, cuarzo, muscovita y arcillas cortadas por venas
de pirita. (BizaLab S.A.C., 2016)
34
Figura 3. 3. Geología local de Yauricocha. Fuente: Sociedad Minera Corona S.A.
35
Figura 3. 4. Columna estratigráfica local de Yauricocha. Fuente: Sociedad Minera
Corona S.A.
36
subducción donde un segmento de la corteza oceánica, la Placa de Nazca, se
desplaza por debajo de la placa Sudamericana.
La Cordillera de los Andes tiene un basamento de rocas metamórficas con
edad del proterozoico, sobre la cual rocas sedimentarias con edades del Hercínico
(Paleozoico) se acumularon y fueron deformados por el vulcanismo y el plutonismo.
Las estructuras que marcan el control mineralógico son principalmente
fracturas, fallas, pliegues.
3.3.1. Fracturas.
Los esfuerzos ocurridos en varias épocas, dieron como resultado el
desarrollo de diversos sistemas de fracturas.
Durante el plegamiento, evento pre y/o contemporáneo al intrusivo, tuvo
lugar la primera fracturación desarrollándose fallas longitudinales paralelas al
rumbo regional de la estratificación. De todas estas fallas, resalta la falla Yauricocha
que aparece a lo largo del contacto de calizas Jumasha con lutitas Celendín. Este
contacto se extiende a gran distancia al SE de la mina Ipillo, continúa al N detrás
del cerro Huamanrripa, paralelo y a lo largo de la laguna Silacocha.
Después que los intrusivos se emplazaron, el rumbo de los sedimentos
plegados al NW de la mina fue girado por esfuerzos horizontales unos 30°; como
resultado de este giro, se desarrollaron cizallas y junturas de rumbo NW - SE, y E -
W, las primeras con buzamiento 50°- 80° NE o SW, las segundas con 60°- 85° SE-
NW y las terceras a 80° N o S a casi verticales. Este conjunto de fracturas que
forman bloques fallados, a través de los dominios litológicos del área, juntamente
con la falla Yauricocha representan el fracturamiento más importante del distrito
minero de Yauricocha y ejercieron un fuerte control en la posición de vetas, cuerpos
mineralizados. (Geoservice, 2013, p. 12)
37
3.3.3. Falla Chonta.
Las evidencias de campo, análisis cinemáticos, cronología del
emplazamiento de rocas plutónicas, domos volcánicos, diques y la mineralización,
datados entre 10.4 y 3.7 Ma, evidencian que a partir del Mioceno el sistema de
fallas Chonta ha tenido dos eventos de formación.
El evento I, entre el Mioceno superior y Plioceno inferior, corresponde a
movimientos sinestrales, debido a una dirección de esfuerzos E-O.
El evento II, menor a 6 y 3.7 Ma, corresponde a movimientos dextrales con
componentes normales y afectan a toda la mineralización relacionada con el
sistema de fallas Chonta. Es consecuencia de un cambio de la dirección de
esfuerzos de NNE-SSW, lo que provoca el cierre de los sistemas estructurales
relacionados con la mineralización. (Rodríguez, 2008, pp. 46-47)
Eventos con movimiento dextral en la región han sido reconocidos por
(Soulas, 1977) quien interpreta que estos movimientos ocurrieron en 10 Ma.
(Rodríguez, 2008, p. 47)
3.3.4. Pliegues.
Varios pliegues conforman las estructuras principales del área de
Yauricocha: Anticlinal Purísima Concepción y Sinclinal France Chert en la mina
Central; Anticlinal Cachi Cachi y Sinclinal Huamanrripa al Norte; y Sinclinal
Quimpará inmediatamente al sur de la laguna Pumacocha.
El Anticlinal Purísima Concepción, que se encuentra al SW de la mina de
Yauricocha, es una estructura local apretada, bien marcada y definida por un sill de
basalto de 17 m de espesor. El "trend" de su eje es aproximadamente N50°W con
suave "plunge" de 20° al SE. En el eje de este anticlinal y hacia el flanco E del sill
de Basalto, existe ocurrencia de oro diseminado en brechas silíceas y horizontes
silicificadas.
El sinclinal France Chert, ubicado al NE de la mina, es un pliegue igualmente
apretado con "trend" de su eje cambia de N35°W (en el S) a N65°W (en el N) y
suave "plunge" de 40° al SE. En el flanco occidental de este pliegue y en calizas
bandeadas con plegamientos subsidiarios, se encuentra el depósito mineral
Yauricocha.
En el área de la mina central, el rumbo NW de los sedimentos plegados, fue
rotado por esfuerzos horizontales, un ángulo de 30° en el sentido al movimiento de
38
agujas del reloj. Esta distorsión del plegamiento puede haberse producido por una
falla de desgarre del basamento de rumbo NE-SW.
El anticlinal Cachi Cachi- Prometida tiene su eje con rumbo aproximado de
N80°W a N70°W, con flancos buzantes al Norte (Prometida) y Sur (Cachi Cachi)
con plunge al E los cuales controlaron el emplazamiento de mineral. El área se
encuentra en el extremo Norte del intrusivo mayor a 2 Km al N de Mina Central.
El sinclinal Quimpará, inmediatamente a 1 Km al sur del desagüe de la
laguna Pumacocha, tiene un eje con rumbo N45°W, con su flanco Este
descansando sobre el intrusivo con ángulo de 70° a 75° al W y el flanco Oeste con
aproximadamente 80° E conformada por paquetes calcáreos gris oscuro,
recristalizados en la proximidad al contacto y ocurrencia de un afloramiento con
granates, magnetita, y óxido de Cu en el mismo contacto. (Geoservice, 2013, pp.
10-11).
39
Figura 3. 5. Sección Transversal Mina Yauricocha. Fuente: Sociedad Minera Corona S.A.
40
Figura 3. 6. Plano estructural. Fuente: Sociedad Minera Corona S.A.
41
3.4. Geología económica
3.4.1. Mineralización.
La mineralización en el área de Yauricocha es de reemplazamiento
metasomático, con mineralización de Ag, Pb, Cu, Zn y Au, cuyos cuerpos
mineralizados son de forma irregular. Los principales cuerpos; Catas, Antacaca,
Rosaura, Antacaca Sur que constituye el cuerpo Mina Central, Cuye y cuerpo
Esperanza, en este último se hizo el estudio de la presente tesis, todos estos
cuerpos mineralizados tienen longitudes entre 100 metros a 1000 metros y potencia
entre los 15 a 80 metros, estos cuerpos están controlados por la Falla Regional
Yauricocha.
Estos cuerpos están constituidos principalmente por pirita, enargita,
calcopirita en el núcleo central, esfalerita y galena en los bordes. También se
presentan cuerpos pequeños con mineralización masiva de esfalerita y galena. Así
también existen cuerpos de óxidos de alta ley en plata y plomo.
La mineralización en la Mina Yauricocha está representado por porciones
variables de oxidación de un sistema polimetálico de múltiples facies, con al menos
dos etapas de mineralización, demostrado por la presencia de venillas de sulfuros
cortando brechas de cuerpos mineralizados con sulfuros polimetálicos. Los cuerpos
mineralizados y las venillas de sulfuro con cuarzo aparecen para ser íntimamente
relacionados y forman un ensamble mineralógico y estructural muy importante en
el yacimiento de Yauricocha.
El stock de Yauricocha, presenta una elongación con dirección al NW-SE,
paralelo a la configuración de los andes, la edad de este stock es de 7.4 Ma datados
por el método K/Ar (Giletti & Day, 1968) y 7.7 Ma (Stewart, 1974). El cual intruye a
las calizas de la Formación Jumasha del Cretácico Superior y del mismo modo a
las lutitas silicificadas de la Formación Celendín. Las rocas sedimentarias se han
plegado formando anticlinales y sinclinales con una tendencia en dirección NW-SE,
los cuales controlan el emplazamiento de la elongación del stock de la mina
Yauricocha.
42
aproximadamente verticales. Sus dimensiones verticales son casi siempre mayores
que las horizontales, existiendo por más de 500 m debajo del nivel 720; con anchos
variables de 10 m a 40 m, tendiendo a ser fusiformes en profundidad.
El cuerpo Esperanza esta emplazados en la caliza Jumasha y se encuentran
agrupados tanto dentro de la caliza como a lo largo del contacto con las lutitas
Celendín (France Chert) y en contacto con las masas intrusivas.
La disposición del cuerpo Esperanza es bastante irregular y a su vez está
asociado a estructuras mineralizadas con un alto contenido metálico como es el
caso de Esperanza Distal, Esperanza Norte entre otros.
La mineralización presente está formada principalmente por pirita, cuarzo,
enargita, calcopirita, bornita y covelita en el núcleo o parte central; y alrededor de
estos núcleos se encuentran masas sueltas de pirita friable, galena, esfalerita,
tetraedrita y geocronita con algo de calcopirita en una ganga de caliza, arcilla y
cuarzo.
43
3.4.2. Metamorfismo.
Todas las masas intrusivas han producido aureolas metamórficas alrededor
de las rocas. La extensión, el tipo y el grado de metamorfismo varia grandemente
dependiendo del tipo de roca que ha sido instruido; las rocas han sido alteradas a
cuarcitas, hornfels y calizas recristalizadas. (Pacori, 2020)
Localmente las intrusiones han generado estrechas zonas de skarn con
potencias variables; estas zonas contienen “epidota, zoisita, tremolita, wollastonita,
flogopita, granates y diópsido”. (Pacori, 2020)
44
Figura 3. 7. Modelo esquemático de alteraciones hidrotermales del cuerpo
Esperanza. Tomado de Pacori, 2020.
45
CAPÍTULO IV
METODOLOGÍA DE LA INVESTIGACIÓN
Muestra
Datos de leyes minerales, donde están involucradas las variables de Cu, Zn,
Ag, Pb, Au, As y Fe, así como la densidad aparente.
46
4.4. Técnicas e instrumentos de recolección de datos
Para la recolección de datos de campo se emplearon formatos y
procedimientos establecidos en mina, así como la aplicación de pruebas
estandarizadas para los análisis químicos de minerales; esto a su vez implicó la
coordinación con diferentes áreas de mina involucradas como Topografía,
Geología, Perforación diamantina, Laboratorio químico (tanto interno como externo)
y Modelamiento Geológico.
En los siguientes ítems se describe de forma general lo que involucra cada uno.
47
4.5.2. Muestreo.
Las muestras que han sido consideradas para la elaboración del modelo
geológico y la estimación de recursos corresponden a muestras de canales y
sondajes diamantinos, esto consistió de un total de 825 muestras de canales y 669
muestras de sondajes.
48
CAPITULO V
MODELAMIENTO DE RECURSOS MINERALES DEL CUERPO ESPERANZA –
YACIMIENTO YAURICOCHA
49
Antes del año 2012 Minera Corona no utilizaba servicios de laboratorios
externos para el análisis químico de las muestras, por lo que se hacía uso de un
laboratorio interno ubicado en la planta concentradora de Chumpe, propiedad
Yauricocha. Desde el año 2012, se empezó a contratar laboratorios externos como
parte de la validación para el laboratorio Chumpe. El procedimiento actual incluye
certificados estándar, blancos y duplicados. Se ha propuesto un control por cada
20 muestras y para el laboratorio externo un control cada 15 muestras.
“El monitoreo de la calidad es uno de los aspectos más críticos del muestreo
y ensayo, este nos provee de una validación integra de la confiabilidad de la base
de datos, que nos permite cuantificar la precisión y la exactitud”. (AusIMM, 2014)
El control de la calidad es muy importante en el proceso de estimación ya
que, si las tazas de error están dentro de los límites aceptables, se puede utilizar
como un valor sin incertidumbre en el proceso de estimación y por consiguiente un
trabajo confiable en las distintas etapas de una operación minera hasta la etapa
final de comercialización de dichos metales, como se muestra en el diagrama de la
figura 5.1.
Mercados
Operación QA/QC
• Procedimiento o buena prácticas
para la toma, registro,
preparación de muestras,
procedimientos de seguridad para
QA que los estándares prestablecidos
de presición y exactitud se
cumplan.
Modelo de
Programa de
geologico de
producción
recursos
• Procedimientos tales como la
elección de laboratorio, análisis
de laboratorio, duplicados de
terreno, análisis de duplicados,
QC blancos, estandares, control
granulometrico, etc. que
permitan controlar que los Secuencia de Envolvente
estándares preestablecidos para Explotación económica
los procedimeintos se
mantengan en el tiempo
Diseño
Minero
50
preparación de las variables en estudio se insertaron duplicados finos (10% ER-
pulverizado), duplicados gruesos (20% ER-chancado) y muestras gemelas (30%
ER- core). Para cada una de estas muestras de control se realizaron gráficos para
su interpretación y aceptación de la calidad de los datos. Con la finalidad de
simplificar la cantidad de información disponible se elaboró gráficos para las
variables Cu y Zn (ver figuras 5.2 al 5.4) los cuales son de mayor relevancia en el
cuerpo Esperanza y un resumen de las variables restantes (ver tabla 5.2).
En la tabla 5.1 se detalla estadísticas para la variable Cu y Zn en donde se
evalúa el sesgo global, este valor debe encontrase entre en rangos <3% aceptable,
>3% y <5% en alerta y >5% inaceptable. Otro punto importante es evaluar la
estadística de t-test el cual debe encontrase dentro de los límites de confianza de
95% (-1.96-+1.96), así mismo la varianza relativa debe presentar valores acordes
a parámetros establecidos para muestras duplicadas. Todas estas estadísticas no
brindan una visión general de la homogeneidad o heterogeneidad de las variables
en estudio.
51
Figura 5. 2. Análisis de duplicados para Cu.
52
Figura 5. 3. Análisis de duplicados para Cu.
53
Figura 5. 4. Análisis de duplicados para Zn.
54
Tabla 5. 2. Resumen de resultados en duplicados.
Resumen de Duplicados Regresión Hipérbola
Tipo de Fallos Fallos
Duplicado Elemento Unidad Pares Fallos % Pares Fallos %
Ag g/t 918 196 21.4% 918 89 9.7%
Pb % 918 124 13.5% 918 25 2.7%
Duplicados
Cu % 918 69 7.5% 918 40 4.4%
Finos
Zn % 918 185 20.2% 918 103 11.2%
Au g/t 918 374 40.7% 918 180 19.6%
Ag g/t 1208 708 58.6% 1208 164 13.6%
Pb % 1208 459 38.0% 1208 114 9.4%
Duplicados
Cu % 1207 457 37.9% 1207 127 10.5%
Gruesos
Zn % 1208 516 42.7% 1208 200 16.6%
Au g/t 1171 789 67.4% 1171 141 12.0%
Ag g/t 388 55 14.2% 388 20 5.2%
Pb % 388 89 22.9% 388 30 7.7%
Duplicados
Cu % 388 64 16.5% 388 40 10.3%
Gemelas
Zn % 388 133 34.3% 388 66 17.0%
Au g/t 245 52 21.2% 245 13 5.3%
55
Tabla 5. 3. Resumen de resultados en estándares.
MR Elemento Unidad MV/CRM Media Muestras MFC MFC (%) Sesgo (%) CV (%)
Ag g/t 29.100 28.791 65 0 0.0% -1.1% 2.6%
Pb % 0.700 0.703 65 0 0.0% 0.5% 2.4%
MAT-04
Cu % 0.160 0.162 65 0 0.0% 1.6% 2.5%
Zn % 0.280 0.286 65 1 1.5% 2.0% 3.9%
Ag g/t 128.200 137.889 9 0 0.0% 7.6% 19.5%
MAT-05 Pb % 2.370 2.437 9 0 0.0% 2.8% 11.4%
Cu % 0.576 0.680 9 0 0.0% 18.1% 25.6%
Zn % 2.500 2.664 9 0 0.0% 6.6% 13.2%
Ag g/t 469.000 444.250 9 0 0.0% -5.3% 2.8%
MAT-06 Pb % 7.750 7.575 9 0 0.0% -2.3% 2.0%
Cu % 2.530 2.479 9 0 0.0% -2.0% 4.8%
Zn % 7.980 7.785 8 0 0.0% -2.4% 2.5%
Ag g/t 40.800 41.600 71 0 0.0% 2.0% 3.4%
MCL-02 Pb % 0.653 0.630 71 1 1.4% -3.5% 3.0%
Cu % 1.581 1.510 71 1 1.4% -4.5% 2.4%
Zn % 2.490 2.525 71 1 1.4% 1.4% 2.8%
56
Figura 5. 5. Análisis de estándar para Zn/Cu.
58
con un nivel de incertidumbre muy alto (izquierda) y datos con alto nivel de
confiabilidad y un nivel de incertidumbre muy bajo(derecha).
59
Tabla 5. 5. Tablas para base de datos de recursos del cuerpo Esperanza del
yacimiento Yauricocha.
CAMPO DESCRIPCIÓN
Collar En este campo se detalla el BHID, ubicación (X, Y, Z), longitud,
cuerpo, tipo, etc.
Survey Se detalla el BHID, azimut, buzamiento, from, to, tipo de medición,
etc.
Assay Se detalla el BHID, from, to, Ag, Pb, Cu, Zn, Au, As, Fe, código de
muestra, etc.
Litología Campos a usar BHID, from, to, Lith, Nlith, tipo, estructura, etc.
Alteración Campos a usar BHID, from, to, alteración, código de alteración, etc.
Densidad Campos a usar BHID, from, to, DA, DH%, tipo, estructura, etc.
RQD Campos a usar BHID, from, to, Lith, Nlith, tipo, estructura, etc.
RMR Campos a usar BHID, from, to, Lith, Nlith, tipo, estructura, etc.
60
5.3.4. Data de recursos empleado.
La información de la que se utilizó en el modelamiento de recursos del
cuerpo Esperanza corresponde a: topografía subterránea en 3D, mapeos
geológicos, sondajes de perforación diamantina y muestreo de canales en interior
mina (como se muestra en la tabla 5.7), esta información es necesaria en la
elaboración de la base de datos que se debe ingresar en los respectivos softwares
para el posterior modelamiento de recursos.
Cabe mencionar que, la base de datos inicial incluye estructuras
mineralizadas que forman parte del cuerpo Esperanza, contando con un total de 8
estructuras mineralizadas.
61
Figura 5. 8. Despliegue de datos de sondajes y muestreo de labores en interior mina.
62
Figura 5. 9. Sondajes perforación diamantina con la topografía con la cual se valida la ubicación correcta del collar de los
sondajes.
63
Figura 5. 10. Strip Log en sondaje diamantino.
64
modelos geológicos, la base de datos fue codificada por estructura mineralizada,
tipo sondaje y dominio por litología. En la figura 5.11 se presentan estas estructuras
mineralizadas diferenciadas por colores.
“En general, una Onza de geología vale una libra de Geoestadística: esto
puede ser decepcionante para geoestadísticos sin formación geológica. ¡DURO!”
(Parker, 2016).
65
Figura 5. 11. Dominio por estructura mineralizada.
66
5.4. Análisis exploratorio de datos (EDA)
El análisis exploratorio de datos (EDA) permite identificar dominios
estacionarios y separar dominios no estacionarios, estas se deben evaluar en
función al tipo de roca y por dominios en función a la media, varianza, covarianza y
variograma. Los controles geológicos son de mucha importancia para definir zonas
estacionarias de interpolación, puesto que distintos tipos de roca tienen distinta
variabilidad; estas herramientas describen características espaciales y estadística
de la distribución de las variables en estudio del cuerpo Esperanza en la que incluye
análisis univariable y multivariable. Asimismo, se debe implementar antes, durante
y después del modelamiento geológico y estimación de recursos. Para ello, se sigue
la siguiente secuencia:
- Identificar controles para la mineralización.
a) Definición de dominios geológicos.
b) Identificar otros controles para las leyes
- Compositación.
- Caracterización estadística de las leyes dentro de los dominios.
- Identificar valores para capping.
- Identificar posibles agrupaciones de dominios.
- Caracterización de las leyes en los contactos entre dominios.
- Identificar variaciones en la orientación de los controles de la ley dentro de
los dominios.
- Identificar posible método de estimación.
67
valores de los datos fluctúan enormemente, nuestras posibilidades de estimación
son escasas” (Isaaks & Srivastava, 1989).
5.4.2. Histogramas.
El uso de este tipo de gráficos ayudó a evaluar estadísticas de posición como
la media, moda, cuartiles, percentiles y estadísticas de dispersión como desviación
estándar, varianza, covarianza y coeficiente de variación. Por otro lado, favorece
en la evaluación de la distribución natural de la población que estemos tratando; ya
68
sea esta modal, bimodal, poisson, normal o gaussiana y log-normal, siendo esta
última muy común en este caso de variables. Por ejemplo, en la figura 5.13 se
muestra la presencia de un solo tipo de población para la variable Cu en los distintos
dominios de interpolación, en donde, claramente presentan distribución log-normal
con presencia de algunos valores extremos; para la figura 5.14 se muestra un
comportamiento similar para la variable Zn.
69
Figura 5. 14. Análisis por histogramas para Zn.
70
Figura 5. 15. Análisis por gráficos de probabilidad para Cu.
71
Figura 5. 16. Análisis por gráficos de probabilidad para Zn.
72
Del mismo modo, en la figura 5.18 se muestra la correlación o similitud de la
variable Zn en función al tipo de estructura mineralizada.
73
De igual modo, la figura 5.20 muestra la correlación o similitud de la variable
Zn en función al tipo de litología.
74
De igual manera, en la figura 5.22 se representa la correlación o similitud de
la variable Zn en función al tipo de muestreo, donde existe bastante similitud en
distribución entre el muestreo por canales y sondajes.
75
Figura 5. 23. Gráficos de correlación para Zn, Ag, Pb, Cu y Fe.
76
Tabla 5. 9. Matriz de correlación entre variables.
Indep/Dep Ag Pb Cu Zn Au As Fe DA
Ag 1 0.19 0.5 0.16 0.08 0.17 -0.03 0.22
- -
Pb 0.19 1 0.86 0 -0.45 -0.31
0.16 0.14
Cu 0.5 -0.16 1 -0.18 0.29 0.26 0.08 0.27
- -
Zn 0.16 0.86 1 0 -0.49 -0.29
0.18 0.14
Au 0.08 -0.14 0.29 -0.14 1 0.05 0.16 0.18
As 0.17 0 0.26 0 0.05 1 -0.01 0.16
-
Fe -0.03 -0.45 0.08 -0.49 0.16 1 0.67
0.01
DA 0.22 -0.31 0.27 -0.29 0.18 0.16 0.67 1
𝝈
𝑪𝑽 =
𝒙
77
Figura 5. 24. Análisis de contacto por dominios.
78
De los gráficos mostrados en la figura 5.24 se concluye que en todos los
casos existe contactos duros a excepción del contacto entre Py y Sulf_Cu que
presenta un contacto suave.
La figura 5.25 permite evaluar la correlación en función a la mineralización:
79
De lo mostrado en la figura 5.25 se pudo determinar alta similitud en el tipo
de mineralización o génesis en el cuerpo Esperanza, Esperanza Distal y Esperanza
Norte e independencia en las estructuras mineralizadas Gallito, Esperanza Bx,
Esperanza II y Esperanza Cu, en donde la mayor correlación se presenta en color
verde, moderada correlación en naranja y nula correlación en morado.
80
Tabla 5. 10. Dominio Sulf_Cu.
Statistic Cu Raw Topcut Change
Mean 4.46 4.44 0.50%
Maximum 57.1 27.94 51.10%
SD 4.55 4.41 3.10%
CV 1.02 0.99 2.60%
Samples 5736 5712 0.40%
Topcut - 27.94 -
Percentile - 99.60% -
Num cut - 24 -
Metal cut - 0.50% 99.50%
Topcut zone above 97th percentile
81
Figura 5. 28. Análisis de top cut o capping para Pb.
82
Tabla 5. 14. Capping para Sulf_Py/Sulf_Pol.
Py Cap Value Sulf Pol Cap Value
Ag 380.00 Ag 910.00
Pb 5.40 Pb 18.00
Cu 9.00 Cu 30.00
Zn 14.00 Zn 34.00
Au 5.37 Au 9.00
As 2.43 As 9.00
Fe 52.00 Fe 48.00
5.4.10. Desagrupamiento.
Con la finalidad de mejorar la clasificación de recursos, reducir el riesgo y
evitar los efectos de muestreo preferencial de las variables en estudio del cuerpo
Esperanza se debe realizar el desagrupamiento, para lo cual se puede tomar
distintos criterios como el desagrupamiento por celdas, por polígonos o promedio
de malla de sondajes para de esta manera obtener variogramas, estadísticas
representativas para evaluar las variables en estudio.
𝒛 = ∑(𝑨𝒊 /𝑨𝒕 ) ∗ 𝒛𝒊
𝒊=𝟏
𝑛
𝑤𝑖 = (1/𝑛𝑐𝑖 )/ (∑ 1/𝑛𝑐𝑖 )
𝑖=1
83
necesariamente la mejor representación de la realidad y presentan cierta
incertidumbre ya que están sujetos a diferentes factores geológicos y sobre todo a
la experiencia y conocimiento de la persona competente.
Del mismo modo, los modelos conceptuales son usados en distintas ramas
en ciencias de la tierra, en este caso en geología ya que poseen mucha versatilidad
al mostrarnos posibles orientaciones geológicas; así como también los controles
estructurales que podrían presentarse en los cuerpos a explotar.
A. Buenas practicas
Se debe tener en consideración los siguientes puntos como principios
básicos para realizar modelos geológicos confiables y que sean representativos de
la realidad.
84
Figura 5. 29. Modelo geológico por estructuras mineralizadas.
85
Figura 5. 30. Validación de modelos de recursos.
86
siguiente manera: 1) Dominio de Sulf (Bx min, Sulf Cu, Sulf Pol,) y Py, 2) Dominio
de Sul Pol, Sul Cu, Bx Min, Py; 3) Dominio de Sulf Cu, Sul Pol, Py, y 4) Dominio
litológico para desmonte con Clz, Intr, etc. Lo descrito se muestra en la figura 5.31.
87
5.6. Análisis geoestadístico de datos
La geoestadística es “Conjunto de herramientas para la construcción de
modelo de recursos” (Machuca, 2017) de variables distribuidas en el espacio que
presentan correlación espacial y un soporte asociado a una determinada ley como
Ag, Pb, Cu, Zn, Au, As y Fe. Estas variables pueden estar distribuidas en distintos
dominios de carácter geológico, las cuales fueron analizadas con la finalidad de
entender el comportamiento espacial de dichas variables del cuerpo Esperanza.
5.6.1. Compositación.
Con la finalidad de reducir la varianza y asegurar ponderar las muestras de
manera homogénea y estos sean representativos de la unidad selectiva de minado
(SMU) se hizo el compósito de las muestras a 1 m de longitud y este a su vez por
dominio. “The compositing of an assay data Interval, also know as regularization,
involves the grouping of assay sample of different intervals into a standar length” [la
compositación de un intervalo de datos de ensayo, también conocida como
regularización, implica la agrupación de muestras de ensayo de diferentes
intervalos en una longitud estándar] (Valerie, 2018).
En los gráficos de la figura 5.32 se aprecia la mayor cantidad de datos en
una moda de 1m, el cual se eligió como longitud de compósito y este a su vez es
bastante regular en los distintos dominios.
88
Figura 5. 32. Análisis de longitud de muestreo para compositar.
5.6.3. Variograma.
“El variograma es una función creciente de (h)” (Tulcanaza, 1999 b.) que
permite cuantificar la correlación espacial de las variables en estudio del cuerpo
Esperanza, por medio de la diferencia al cuadrado entre dos puntos separados a
una distancia (h).
- Disminuye con la distancia entre dos variables.
- Varía con la dirección.
- Depende de la continuidad.
Variograma 𝑁(ℎ)
1
experimental: 𝛾(ℎ) = ∑ [𝑍(𝑢) − 𝑍(𝑢 + ℎ)]2
2𝑁(ℎ)
Medida de diferencia 𝑖=1
Covarianza: 𝑁(ℎ)
1
Medida de similitud. 𝐶(ℎ) = [ ∑ 𝑧(𝑥𝑖 )𝑧(𝑥𝑖 + ℎ)] − 𝑚𝑧(𝑥) 𝑚𝑧(𝑥+ℎ)
𝑁ℎ
𝑖=1
Correlograma: 𝐶(ℎ)
𝜌(ℎ) =
Medida de correlación 𝜎𝑧(𝑥) 𝜎𝑧(𝑥+ℎ)
90
A. Usos
- Caracterizar la variabilidad espacial.
- Fundamento para estudios de la varianza de estimación.
- Para hacer cambios de soporte.
- Para obtener los pesos durante la estimación por Kriging.
- En simulación condicional.
B. Tolerancia de búsqueda
Para realizar la búsqueda de direcciones preferenciales en las variables en
estudio del cuerpo Esperanza se debe asignar tolerancias tanto angulares como de
distancia; ya que, al no estar distribuidos de forma homogénea en el espacio con
mallas de perforación poco regulares se debe asegurar la captura de pares de
datos. Por ello se debe especificar los parámetros mostrados en la figura 5.34.
C. Mapa de variograma
El uso de mapa de variograma para identificar orientaciones preferenciales
(anisotropías) fue de mucha ayuda, antes de determinar direcciones de búsqueda
definitivas que posteriormente se usaron para el modelado y uso en la estimación
de recursos del cuerpo Esperanza. Estos mapas son de mucha utilidad, pero
debemos corroborar siempre con la información y conocimiento geológico con el
91
que se cuente. A continuación, en las figuras 5.35 y 5.36 se presenta mapas de
variogramas direccionales para definir anisotropías preferenciales en las variables
Cu y Zn:
92
Figura 5. 36. Mapa de variogramas direccionales con lo cual se podrá definir la
existencia de anisotropías preferenciales Zn.
D. Derivas de tendencias
La presencia de derivas relacionado a la falta de la hipótesis de
Estacionariedad donde la diferencia de las cabezas y colas deberían rondar
alrededor de 0. Si se observan incrementos o descensos en función a la distancia
(h), nos indica diferencias significativas en las medias, es decir existen revivas.
𝒛(𝒙) − 𝒛(𝒙 + 𝒉) = 𝟎
93
La presencia de derivas puede indicar cambios en la mineralización y se
puede reconocer como un variograma que no se estabiliza, por lo que debemos
tomar especial atención a este tipo de comportamiento de las variables en estudio.
E. Variograma experimental
Se realizó variogramas en distintas direcciones para definir la dirección con
mayor continuidad, continuidad intermedia y menor continuidad de las variables en
estudio del cuerpo Esperanza, posteriormente se hizo el ajuste de un modelo de
variograma teórico.
En cuanto a ello, se calcularon 4 tipos de variogramas (ver figura 5.37), el
gráfico de la parte superior izquierda representa el variograma a lo largo de los
sondajes el cual define el efecto pepita y los variogramas restantes definen la
continuidad de la mayor dirección, intermedio y menor alcance para la variable Cu.
95
En la figura 5.39 el color naranja representa al mayor alcance, el alcance
intermedio en verde y de menor alcance o continuidad en azul.
96
5.7.2. Modelo de bloques.
“A block model is a simplified representation of an ore body and it´s
surroundings that can be thoughts of as a stack of computer-generated “bricks” that
represent small volumes rock in a deposit (Ore and waste). Each “brick”, or “cell”,
contains estimates of data, such as element grade, density and other geological or
engineering entity values” [Un modelo de bloque es una representación simplificada
de un yacimiento mineral y sus alrededores, que puede considerarse como una pila
de "ladrillos" generados por computadora que representan pequeños volúmenes de
roca en un depósito (mineral y desmonte). Cada "ladrillo" o "celda" contiene
estimaciones de datos, como la ley del elemento, la densidad y otros valores de
entes geológicos o de ingeniería] (Poniewierski, 2014), es por ello que es
importante definir un tamaño de bloques adecuado en función al tipo de
mineralización, espaciamiento de sondajes, comportamiento geológico,
características geomecánicas, método de explotación y otros factores que se deban
considerar. Para el caso de estudio del cuerpo Esperanza se utilizó el KNA, con la
finalidad de obtener un tamaño de bloques inicial. Por lo que, se definió un tamaño
de bloques de 4x4x4 con sub celdas de 2x2x2. (ver figuras 5.40 y 5.41). “The block
size should be decided based on the drill hole data spacing and other geological
considerations”. (MarcadorDePosición1).
97
Figura 5. 41. Modelo de bloques.
98
En la figura 5.42 se exhibe el KNA que se utilizó para determinar el tamaño
de bloques optimo, como podemos apreciar se analizaron distintos tamaños de
bloques, en donde se eligió el bloque que está más próximo al 100% en eficiencia
de Kriging o que la regresión de pendiente se ubique en 1, es por ello que se definió
un bloque de 4x4x4.
99
5.7.3. Dominios de interpolación.
Con la finalidad de tener variables homogéneas se definió 3 tipos de
dominios en función al tipo de mineralización las cuales se distribuyeron de la
siguiente manera: 1) dominio de Sulf (Sulf Cu, Sulf Pol,) y Py; 2) dominio de Sul
Pol, Sul Cu, Bx Min, Py; 3) dominio de Sulf Cu, Sul Pol, Py; y un dominio litológico
para desmonte con Clz, Intr, etc (ver figura 5.46). En la figura 5.44 se muestra los
bloques generados en función a dominios geológicos donde se realizó la
interpolación con la que se obtuvo el reporte de recursos final, así mismo en la
figura 5.45 se muestra bloques acordes al tipo de estructuras.
100
Figura 5. 46. Modelo de bloques por dominio.
101
5.7.4. Métodos de interpolación lineal.
Existen distintos métodos de estimación de modelos matemáticos como el
vecino más cercano, inverso de la distancia, krigin ordinario, krigin puntual,
simulación entre otros. En el caso de presente estudio se aplicó algunos de los
métodos ya mencionados, con la finalidad de comparar la calidad del estimador y
compararlas una con otras.
𝑬 = 𝒁∗ − 𝒁
𝒎(𝒙+𝒚) = 𝒎𝒙 + 𝒎𝒚
𝒎𝑬 = 𝒎(𝒛∗) − 𝒎(𝒛)
𝒎(𝒛∗) = 𝒎(𝒛)
𝒎(𝑬) = 𝟎
𝒏
∗
𝒁 = ∑ 𝒘𝒊 𝒁𝒊
𝒊=𝟏
𝑨𝒗𝒈(𝒛∗𝒊 ) = 𝑨𝒗𝒈(𝒛𝒊 )
𝒏
𝑨𝒗𝒈 (∑ 𝝎𝒊 𝒈𝒊 ) = 𝑨𝒗𝒈(𝒛𝒊 )
𝒊=𝟏
𝒏
∑ 𝒘𝒊 𝑨𝒗𝒈(𝒈𝒊 ) = 𝑨𝒗𝒈(𝒛𝒊 )
𝒊=𝟏
102
𝒏
∑ 𝒘𝒊 𝒎 = 𝒎
𝒊=𝟏
𝒏
∑ 𝒘𝒊 = 𝟏
𝒊=𝟏
𝝈𝟐𝒊 = 𝟐𝜸
̅(𝒗𝒊 , 𝑽) − 𝜸
̅(𝑽, 𝑽) − 𝜸
̅(𝒗𝒊 , 𝒗𝒋 )
Donde:
- ̅(𝒗𝒊 , 𝑽) 𝒆𝒔 𝒆𝒍 𝒗𝒂𝒓𝒊𝒐𝒈𝒓𝒂𝒎𝒂 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒔 𝒚 𝒆𝒍 𝒃𝒍𝒐𝒒𝒖𝒆
𝜸
- ̅(𝑽, 𝑽) 𝒆𝒔 𝒆𝒍 𝒗𝒂𝒓𝒊𝒐𝒈𝒓𝒂𝒎𝒂 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒆𝒏𝒕𝒓𝒆 𝒕𝒐𝒅𝒐𝒔 𝒍𝒐𝒔 𝒑𝒖𝒏𝒕𝒐𝒔 𝒅𝒆𝒍 𝒃𝒍𝒐𝒒𝒖𝒆
𝜸
- ̅(𝒗𝒊 , 𝒗𝒊 ) 𝒆𝒔 𝒆𝒍 𝒗𝒂𝒓𝒊𝒐𝒈𝒓𝒂𝒎𝒂 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒔
𝜸
𝝈𝟐𝑶𝑲 = ∑ 𝒘𝒊 𝛄̅(𝒗𝒊 , 𝑽) + 𝝁 − 𝜸
̅(𝑽, 𝑽)
𝒊=𝟏
103
Si se usa el correlograma, variograma estandarizado o relativo, se debe re-
escalar para calcular la varianza de estimación.
104
Figura 5. 47. Elipsoide de búsqueda.
105
A. Estrategias de búsqueda
Para poder determinar y optimizar los parámetros de estimación como
número mínimo, máximo de muestras para estimar medidos, indicado e inferidos
se utilizó el KNA, con la cual se especificó dichos parámetros de búsqueda. En la
figura 5.48 se define en rojo, verde y azul la ubicación donde se analizó los distintos
parámetros correspondientes al variograma teórico obtenido anteriormente.
106
La figura 5.49 muestra gráficos de KNA para distinto número de muestras
empleados en la estimación de recursos; utilizándose 6 muestras como mínimo y
18 como máximo para medido; 5 muestras como mínimo y 14 como máximo para
indicado y finalmente 3 muestras como mínimo y 8 como máximo para definir el
recurso inferido.
107
B. Restricción de leyes altas
Se evaluó el uso de octantes en caso las estimaciones no logren resultados
aceptables con la intención de mejorar la calidad de predicción de las variables en
estudio.
C. Densidad
La determinación de la densidad está basada principalmente en medidas de
densidad in situ tomados de sondajes representativos (método de vernier), como
también en interior mina, para ello ejecutó un análisis de regresión vs el contenido
total acumulado (ver figura 5.50).
a) b)
c) d)
Figura 5. 50. Análisis de regresión e histogramas para evaluar la densidad.
108
Tanto en los gráficos a) y b) de la figura 5.50, se muestran la cantidad de
datos muestreados en zona mineralizada y roca de caja (waste); así mismo, en el
gráfico c) se realizó el análisis de regresión donde se observa una buena relación
de las muestras para densidad el tipo de litología, finalmente en gráfico d) muestra
el número de datos en el dominio Sulf_Pol.
109
CAPÍTULO VI
ANÁLISIS Y DISCUSIÓN DE RESULTADOS
110
así mismo se definió los recursos medidos(rojo), indicado(amarillo) e inferidos(azul)
del variograma teórico obtenido anteriormente.
111
Figura 6. 2. Relación entre recursos y reservas. Fuente: Código JORC.
6.1.1. Validación.
Todo modelo es válido si es que no presenta errores detectables y es
internamente consistente y este a su vez se lo suficientemente aceptable, este a su
vez debe verificar la calidad del proceso de modelamiento y estimación de recursos
para el cuerpo Esperanza.
A. Validación cruzada
La validación cruzada nos muestra una buena performance de los
parámetros de estimación, así como el modelamiento de los variogramas de las
distintas variables en estudio en cada dominio de estimación para los recursos del
cuerpo Esperanza. En la figura 6.3 se muestra una alta correlación entre los
compósitos y ley estimada para las variables Cu y Zn.
112
Figura 6. 3. Validación cruzada para Cu y Zn.
B. Validación visual
Es uno de los pasos más importantes ya que este permitió reconocer errores
comunes, como por ejemplo desmonte en áreas mineralizadas, observar bloques
con valores inconsistentes; ahora bien, debemos recalcar que ningún modelo es
100% perfecto por ende se debe evaluar el modelo estimado vs los datos originales,
con la finalidad de garantizar la consistencia de la estimación para el cuerpo
Esperanza como se muestra en la figura 6.4, en la cual se hizo la comparación
entre compósito (derecha) y bloques estimados (izquierda) en donde se reproduce
zonas de alta y baja ley.
113
Figura 6. 4. Validación visual para Zn.
C. Validación volumétrica
Se debe realizar la validación volumétrica con la finalidad de garantizar que
el volumen del modelo geológico sea consistente con el modelo de bloques, el cual
debe tener una diferencia ideal menor al 1% con un máximo de 5%, diferencias
volumétricas mayores al 5% se deben considerar como peligrosas y se debe
verificar las causas de dicha diferencia. Se detalla los resultados de dicha validación
en la tabla 6.1.
D. Validación estadística
La validación estadística contribuye a identificar variaciones considerables
entre la variable original y la variable estimada para cada dominio; en la tabla 6.2
se muestra el resumen para las variables Ag, Pb, Cu, Zn, Au, As, Fe en el dominio
de sulfuro polimetálico.
114
Tabla 6. 2. Resumen de estadísticas de compositos vs estadísticas de modelo de
bloques.
115
Figura 6. 5. Validación por Swath Plot para Zn.
116
F. Validación de interpolación
Este fue otro tipo de validación que se realizó, según el krigin, con el valor
original vs el estimado, como se muestra en los gráficos de la figura 6.6.
117
6.3., se muestra los resultados de sesgo total entre los distintos métodos de
interpolación y los compósitos de las variables en estudio.
118
variable original, donde la sobre estimación de la ley en zonas de baja ley y la sub
estimación de la ley en zonas de alta ley a distintos Cutt off sobre la línea de
regresión indicó la presencia de sesgo condicional. Este es un proceso inevitable
de la interpolación y se podría mejorar utilizando un mayor número de muestras
para interpolar un bloque, podemos citar otra definición donde indica que “al
comparar las estimaciones de ley de bloque con los valores conocidos de los
bloques, las leyes reales de los bloques de menor ley son a menudo subestimados
( la ley real del bloque es mayor que la ley estimada) y los bloques de alta ley son
a menudo sobreestimados (la ley real del bloque es menor que la ley estimada”.
(Sullivan, 1998).
La figura 6.7 muestra una buena correlación de 0.9645 entre las leyes
estimadas y leyes de compósitos, es así que concluimos que el proceso de
estimación fue favorable y se redujo de manera consistente la incertidumbre.
119
Lo descrito líneas arriba se ilustra en la figura 6.8:
400
20,000 350
300
250
200
10,000
150
5,000 100
50
0 0
0 50 100 150 200 250 300 350 400 450
Cut-off NSR (USD/t)
TONNES NSR (USD/t)
120
Tabla 6. 4. Resumen de recursos del cuerpo Esperanza por dominios.
DOMAIN 2D RESOURCE VOLUME TONNES SGSK AGOK PBOK CUOK ZNOK AUOK ASOK FEOK
Sulf_Pol Medido 596312 2103292 3.53 84.82 1.22 2.97 3.06 0.85 0.38 31.79
Sulf_Pol Indicado 376816 1388925 3.69 101.62 1.62 2.29 4.39 0.51 0.35 27.83
Sulf_Pol M+IN 973128 3492217 3.61 93.22 1.42 2.63 3.73 0.68 0.36 29.81
Sulf_Pol Inferido 114952 440909 3.84 102.35 2.00 2.47 5.28 0.4 0.32 25.12
DOMAIN 3D RESOURCE VOLUME TONNES SGSK AGOK PBOK CUOK ZNOK AUOK ASOK FEOK
Sulf_Pol Medido 165936 444488 2.68 81.57 3.25 0.75 8.2 0.53 0.19 23.15
Sulf_Pol Indicado 139360 347145 2.49 90.51 3.04 0.83 8.33 0.35 0.24 19.6
Sulf_Pol M+IN 305296 791633 2.58 86.04 3.15 0.79 8.26 0.44 0.22 21.38
Sulf_Pol Inferido 59136 146236 2.47 124.65 3.43 1.05 8.05 0.19 0.43 16.98
DOMAIN 3D RESOURCE VOLUME TONNES SGSK AGOK PBOK CUOK ZNOK AUOK ASOK FEOK
Sulf_Cu Medido 379160 1400414 3.69 87.31 0.27 4.09 0.68 0.99 0.45 36.19
Sulf_Cu Indicado 200384 744108 3.71 120.78 0.42 3.76 0.85 0.72 0.5 35.31
Sulf_Cu M+IN 579544 2144523 3.7 104.04 0.34 3.93 0.76 0.85 0.48 35.75
Sulf_Cu Inferido 43208 160880 3.72 89.37 0.20 3.85 0.47 0.67 0.3 35.5
DOMAIN 3D RESOURCE VOLUME TONNES SGSK AGOK PBOK CUOK ZNOK AUOK ASOK FEOK
Sulf_Py Medido 353448 1345917 3.81 33.99 0.23 0.83 0.56 0.68 0.13 35.54
Sulf_Py Indicado 170496 649027 3.81 27.51 0.17 0.5 0.38 0.43 0.09 36.05
Sulf_Py M+IN 523944 1994944 3.81 30.75 0.20 0.67 0.47 0.56 0.11 35.8
Sulf_Py Inferido 47408 178512 3.77 27.22 0.19 0.5 0.5 0.44 0.09 34.05
Se verifica, que este estudio concuerda con los autores referidos; en el uso
de buenas practicas y el uso de protocolos de muestreo como el QA/QC, análisis
exploratorio de datos, modelamiento geológico, analisis de dominios geológicos,
analisis exploratorio de datos (EDA), analisis variográfico, validación de parámetros
121
mediante KNA, validacion de interpolación y un correcto muestreo de la densidad,
con las que se definió el tonelaje en los distintos dominios de recursos, los que
garantizan que la estimación de recursos sea confiable como se demuestra en el
presente estudio.
122
CONCLUSIONES
123
RECOMENDACIONES
1. Sera de vital importancia seguir los lineamientos de los códigos del NI-43-
101, el cual resume las características principales o cualidades que debe
tener un reporte de recursos y reservas confiable.
2. Los trabajos de control de calidad QA/QC deben hacerse de manera
inherente en todos los procesos de perforación, muestreo de cores,
muestreo sistemático, muestreo de canchas, traslado de muestras,
etiquetado de muestras, elaboración de base de datos hasta finalizar la
estimación de los recursos, para de esta manera garantizar una estimación
de recursos con un alto grado de certeza.
3. El proceso del modelamiento geológico lo debe realizar no solo el geólogo
de modelamiento, si no también debe tener soporte de los geólogos de mina
como de exploración. Es solo de esta manera que se tendrá modelos
aceptables en los procesos de estimación de recursos.
4. El conocimiento o interpretación de los diferentes dominios geológicos,
estructural determinaran en mucho el proceso del modelamiento geológico
como de la estimación de recursos.
5. Tener conocimientos claros de Geología, Geología estructural,
Geoestadística, Control de Calidad y conocimiento de los diferentes códigos
ya sea el NI-43-101, Código JORC, SAMREC, etc. afianzarán un buen
trabajo en la estimación de recursos.
6. La colaboración del área implicada en la estimación de recursos, en este
caso el Área de Geología, debe tener un trabajo en conjunto con todos los
miembros del área; ya que el trabajo en equipo siempre va a garantizar
buenos resultados.
7. Las reservas están sujetas a las estimaciones de recursos geológicos,
siendo importante tener en cuenta que una buena estimación de recursos
garantiza reservas de calidad.
124
BIBLIOGRAFÍA
125
Rodríguez, R. (2008). Sistema de fallas Chonta y sus implicancias metalogénicas
entre 12°15" S y 13° 30" S. Huancavelica, Perú (Tesis de maestría).
Universidad Politécnica de Madrid. España. Recuperado de:
https://es.calameo.com/read/0008201298d2f15a99183
Rossi, M., & Deutsch, C. (2014). Mineral resource estimation. Canada: Springer.
Sociedad Minera Corona. (2008). Reporte de recursos. Yauyos, Lima.
Sullivan, J. (1998). Curso de geoestadística para mineria. Chile.
Tulcanaza, E. (1999 a.). Una aplicación geoestadística en la mina Casapalca. Lima,
Perú.
Tulcanaza, E. (1999 b.). Evaluación de recursos y negocios mineros. Incertidumbre,
riesgo y modelos numéricos. Chile.
Valencia, A. J. (2020). “Ore control y QA/QC en la explotación del cuerpo Esperanza
por el método sublevel caving, Unidad Minera Yauricocha" (Informe de
Servicios Profesionales). Universidad Nacional de San Agustín de Arequipa.
Arequipa, Perú. Recuperado de: http://hdl.handle.net/20.500.12773/11551
Valerie, W. (2018). The fundamental of mineral resource estimation. Geological
interpretation and resource domaining. Toronto, Canada.
126