09 – Principios de simulación geoestadística Motivación Modelos para la simulación Simulación de funciones aleatorias Gaussianas Algoritmo secuencial Gaussiano
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Motivación
El kriging suaviza: los valores estimados son menos dispersos que los valores verdaderos
no se puede predecir la ocurrencia de valores extremos puede dar la impresión de que todo es mineral (leyes estimadas sobre la ley de corte, cuando esta última es baja)
La varianza de kriging incorpora información geométrica y de continuidad espacial, pero no la información local. Luego, no mide todas las fuentes de incertidumbre (no toma en cuenta el efecto proporcional)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Motivación
La simulación busca construir mapas de valores que reproducen la variabilidad real de la variable en estudio (histograma, variograma, distribución espacial...)
cada mapa representa un escenario plausible se puede construir numerosos escenarios “equiprobables”
Uso de las simulaciones
análisis de riesgo: escenario más optimista / pesimista estimación: promediar los escenarios medición de la incertidumbre: qué tan distintos son los escenarios
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Motivación
Ejemplo: leyes de cobre en un yacimiento pórfido cuprífero
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Motivación
La simulación se basa en la interpretación de la variable regionalizada como una realización de una función aleatoria. Consiste en construir otras realizaciones de esta misma función aleatoria
Para ello, es preciso conocer la distribución espacial de la función aleatoria, es decir, el conjunto de las distribuciones de probabilidad multivariables
distribución marginal (histograma) distribuciones bivariables (variograma, etc.) distribuciones trivariables Etc.
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Motivación
Simulación no condicional: no toma en cuenta los valores de los datos en los sitios de muestreo. Sólo produce realizaciones de una función aleatoria con cierta distribución espacial.
Simulación condicional: reproduce además los valores de los datos en los sitios de muestreo. Produce realizaciones de la función aleatoria condicionada a los valores de los datos (noción de distribución condicional o a posteriori). más realista en un sitio con dato, todos los escenarios reproducen este dato lejos de los datos, la simulación se vuelve no condicional
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelos para la simulación Simulación de variables continuas (leyes)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelos para la simulación Simulación de variables categóricas (geología)
Modelo plurigaussiano
Modelo de hojas muertas
Modelo jerárquico
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelos para la simulación Simulación de procesos puntuales
Puntos agrupados
Proceso de repulsión
Proceso de Poisson
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelos para la simulación Simulación de conjuntos aleatorios (redes de fractura)
Modelo fractal
Modelo Booleano
Modelo jerárquico
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes A continuación examinaremos el modelo de funciones aleatorias Gaussianas, para las cuales las distribuciones conjuntas de variables son multi-Gaussianas (o multi-normales). Para cualquier conjunto {u1,... un} de sitios del espacio, la densidad de probabilidad se escribe como:
g (u1 ,...u n ; y1 ,... yn )
donde
1 ( 2 ) n
1 exp y t C 1 y det (C) 2
y = (y1,... yn) es un vector de reales C es la matriz de varianza-covarianza de las variable aleatorias en los sitios {u1,... un}
→ modelo sencillo, puesto que la distribución espacial queda caracterizada por la covarianza (o equivalentemente, por el variograma). MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes
Etapa 1: desagrupar los datos para tener un histograma representativo
Método de las celdas
Método de los polígonos de influencia
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes
Etapa 2: transformar los datos a valores Gaussianos N(0,1)
Transformación cuantil a cuantil de la distribución desagrupada de los datos (izquierda) hacia una distribución Gaussiana N(0,1) (derecha)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes Ejemplo: paso a logaritmo cuando los datos originales tienen distribución lognormal
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes
Etapa 3: análisis variográfico de los datos Gaussianos
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes
Etapa 4: simulación secuencial
Definir una secuencia aleatoria para los sitios a simular
Para cada sitio:
Realizar el kriging a partir de los datos Gaussianos y de los valores Gaussianos previamente simulados Simular un valor Gaussiano, de media igual al valor estimado por kriging y varianza igual a la varianza de kriging
Repetir todo el procedimiento para obtener otras realizaciones
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes Detalles de implementación
En la práctica, se restringe los valores condicionantes (datos iniciales + valores previamente simulados) a los más cercanos del sitio a simular, es decir, se usa una vecindad móvil en lugar de una vecindad única. Esto provoca imprecisión, que requiere ciertos “trucos” para minimizar sus efectos:
aleatorización del orden de los sitios a simular, para evitar artefactos grillas múltiples: simular en una malla amplia, luego refinar
Clásicamente, se usa kriging simple, puesto que los datos Gaussianos tienen media conocida (= 0). Se puede también relajar la hipótesis de media conocida y usar kriging ordinario
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes
g
Distancia
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes
g
Distancia
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes Noción de fluctuación estadística: variogramas de los valores simulados vs. variograma teórico (100 realizaciones) Vecindad con 20 datos
Vecindad con 100 datos
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes Métodos alternativos al método secuencial Gaussiano:
Método de descomposición matricial Métodos de convolución (medias móviles, métodos auto-regresivos) Método espectral discreto Método espectral continuo Método de bandas rotantes …
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes
Etapa 5: transformación de vuelta
Una vez obtenidas las realizaciones Gaussianas, se aplica la transformación inversa de la etapa 2, de modo de obtener valores simulados de la variable original (ley)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes
Etapa 6: procesamiento de las realizaciones Ejemplo: leyes de cobre simuladas en una malla de 2m × 2m (50 realizaciones)
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes Rebloquear a unidades de selección minera (10m × 10m × 12m)
Para cada bloque y cada realización, se calcula el promedio aritmético de las leyes simuladas en este bloque
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes Evaluación de las leyes de bloques y de su incertidumbre
El promedio de las realizaciones es parecido al kriging La varianza de las realizaciones es distinta a la de kriging; en particular, incorpora el efecto proporcional
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes Evaluación de recursos recuperables sobre una ley de corte de 0.5%Cu
Cálculo de tonelajes, leyes medias sobre una ley de corte Estos mapas no pueden ser obtenidos por kriging, debido al suavizamiento de éste
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE
Modelo Gaussiano para simular leyes Otras posibles aplicaciones
Análisis de riesgo: cálculo del VAN en cada realización Categorización de recursos y reservas Diseño de rajo óptimo Planificación minera: ¿qué variabilidad de leyes se espera en la planta? Control de leyes: ¿cuál es la decisión más oportuna para cada bloque: mandar a planta o a botadero? Reconciliación de leyes mina / planta
Extensiones:
Simulación multivariable Simulación de variables geotécnicas o metalúrgicas Simulación de variables categóricas
MI54A EVALUACIÓN DE YACIMIENTOS – UNIVERSIDAD DE CHILE