Modelo Mejorado de Corto Plazo para Predecir la Variabilidad en la Ley de Alimentación a Planta

Abstract

Una de las principales interrogantes en la minería corresponde a la estimación del recurso geológico que, en la etapa evaluativa, determina la cantidad de reservas y condiciona el potencial económico del yacimiento. La predicción de corto plazo resulta problemática cuando sólo se cuenta con datos de largo plazo. El objetivo general del presente trabajo de título es diseñar y evaluar un algoritmo que simule la extracción de un banco, prediciendo la variabilidad de la ley de alimentación a planta para distintos modelos geoestadísticos. Para ello, se define una metodología para simular la extracción y se implementa una rutina computacional acorde a la metodología propuesta. La primera parte del trabajo consiste en una descripción del formalismo geoestadístico, técnicas de estimación y simulación geoestadística. Además, se hace una revisión bibliográfica de lo realizado en cuanto a planificación minera, modelos de leyes que incorporan información de corto y largo plazo y estudios sobre simulación de la extracción. Se continúa presentando la metodología desarrollada para simular la extracción de un banco minero y cómo se aplica ésta para estudiar la capacidad de distintos métodos geoestadísticos de largo plazo para predecir la variabilidad de alimentación a planta en el corto plazo. Finalmente, se desarrolla un caso de estudio para aplicar la metodología propuesta, utilizando datos reales de una mina a cielo abierto de cobre. Si bien la metodología propuesta para simular la extracción resulta ser una solución simplificada del problema, es capaz de reproducir los rasgos más importantes de la extracción real. Se concluye que la capacidad predictiva mostrada por kriging ordinario utilizando datos de largo plazo es muy inferior a la capacidad predictiva expuesta por la simulación mediante el método secuencial Gaussiano, con y sin incorporación de estadísticas de múltiples puntos. Asimismo, el estudio no muestras pruebas concluyentes de una superioridad en la capacidad predictiva entre la simulación secuencial Gaussiana tradicional y la simulación secuencial Gaussiana que incorpora estadísticas de múltiples puntos.