Modelos para Caracterizar la Variabilidad Espacial de Leyes en Depósitos Mineros

Abstract

En la mayoría de los casos, los proyectos mineros consideran una primera etapa de exploración y evaluación de recursos. Tal evaluación se realiza a partir de una toma de muestra, como lo es por ejemplo, una campaña de sondajes. Se busca describir la distribución de las leyes de elementos de interés en el depósito en forma numérica, y así entre otras cosas poder tomar las mejores decisiones en un contexto de incertidumbre. La evaluación se realiza habitualmente mediante técnicas geoestadísticas, como kriging o simulaciones condicionales. Estas últimas se basan en modelos de funciones aleatorias, siendo el modelo multigaussiano el más conocido y ampliamente utilizado. No obstante, en ocasiones éste puede no ser el modelo más pertinente para describir el comportamiento de las leyes en el depósito, particularmente cuando éstas presentan distinta continuidad en función de una ley de corte. En este trabajo se presenta un caso de estudio, en el cual se aplica un modelo alternativo definido como el mínimo de dos funciones aleatorias multigaussianas independientes, el cual logra reproducir este comportamiento. Se analiza el impacto del modelo en lo que se refiere a la cantidad de recursos recuperables y curvas tonelaje-ley, de lo que se concluye que existen diferencias con respecto al modelo convencional. Estas diferencias son poco significativas para leyes de corte menores, mientras que se incrementan para las leyes mayores. Por otro lado, éstas tienden a ser más importantes cuando se consideran bloques de menor tamaño. Si bien la estimación de leyes muestra un menor sesgo, resulta menos precisa a la luz de los resultados obtenidos de validaciones cruzadas. En este sentido, la inferencia de los parámetros del modelo alternativo a partir del ajuste de los variogramas de indicadores puede ser insuficiente, además de presentar una mayor complejidad. En cuanto al modelo multigaussiano, si bien su pertinencia en este caso particular es cuestionable, éste se reafirma como un modelo robusto, y se recomienda su uso en ausencia de otro modelo que se ajuste mejor a los datos.