Comparación de metodologías para la determinación recursos minerales en un yacimiento de hierro considerando la densidad de roca
Professor Advisor
dc.contributor.advisor
Mery Guerrero, Nadia
Author
dc.contributor.author
Pamiez Caro, Constanza Karina
Associate professor
dc.contributor.other
Emery, Xavier
Associate professor
dc.contributor.other
Soto Fernández, Fabián
Admission date
dc.date.accessioned
2025-03-03T21:13:24Z
Available date
dc.date.available
2025-03-03T21:13:24Z
Publication date
dc.date.issued
2024
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/203290
Abstract
dc.description.abstract
En la minería es crucial la determinación de recursos y reservas minerales. En el caso particular de los depósitos ferríferos, la densidad de la roca juega un rol crucial en la cuantificación de recursos minerales dado que ésta posee una fuerte correlación con la ley de hierro. Sin embargo, la densidad es una variable que suele ser calculada mediante ecuaciones o no es considerada en la cuantificación de recursos. Estas decisiones no toman en cuenta la variabilidad real de éstos. Esto puede traer impactos negativos en etapas aguas abajo, la toma de decisiones estratégicas y la sostenibilidad de las operaciones.
La motivación de este trabajo radica en evaluar el impacto y validez del uso de ecuaciones para determinar la densidad en la estimación de recursos minerales de un yacimiento de hierro. Para esto, se usa como caso de estudio el depósito de óxido de hierro-fosfato (IOA) Chah-Gaz ubicado en Irán.
La metodología se basó en la revisión bibliográfica realizada, y por ende, se decide comparar métodos tradicionales y no tradicionales: kriging de ley de hierro, cokriging de variables aditivas (densidad y contenido de hierro), simulación de bandas rotantes de ley de hierro y machine learning (SVM).
Los resultados indicaron que no existe un método que sea consistentemente superior. La variación de resultados en la cuantificación de recursos no supera el 10% entre enfoques, para los recursos y reservas recuperables. El kriging de Fe (Enfoque 1) fue la metodología que presentó el peor desempeño, y se explica porque no considera la aditividad. En general, se demostró a través de los resultados y matemáticamente que el cokriging presenta mejores resultados que el kriging para la estimación de recursos. Por su parte, el machine learning mostró un desempeño comparable al cokriging, capturando patrones complejos en los datos de forma eficiente.
Como principal conclusión es que no existe una metodología que sea tajantemente superior. Adicionalmente, la incorporación de la densidad sí supone una cuantificación más precisa de los recursos y reservas, a diferencia de no hacerlo. En trabajos futuros se recomienda evaluar la posibilidad de una cuantificación de recursos multi-enfoque.
es_ES
Patrocinador
dc.description.sponsorship
Este trabajo ha sido financiado por el proyecto ANID PIA AFB230001 (AMTC)
es_ES
Lenguage
dc.language.iso
es
es_ES
Publisher
dc.publisher
Universidad de Chile
es_ES
Type of license
dc.rights
Attribution-NonCommercial-NoDerivs 3.0 United States