Traducido del inglés al español - www.onlinedoctranslator.

com

Reseñas de geología del mineral 88 (2017) 336–351

Listas de contenidos disponibles enCiencia Directa

Reseñas de geología de minerales

página de inicio de la revista: www.elsevier.com/localize/oregeo

Modelación geoestadística de la incertidumbre geológica en un depósito de mineral de

hierro.

Nadia Merya,b, Xavier Emerya,b,⇑, Alejandro Cáceresa,b, Diniz RibeiroC, Evandro CunhaC
aDepartamento de Ingeniería de Minas, Universidad de Chile, Santiago, Chile
bCentro Tecnológico Avanzado Minero, Universidad de Chile, Santiago, Chile
CGerência de Recursos Minerais Ferrosos, VALE, Belo Horizonte, Brasil

información del artículo abstracto

Historia del artículo: Este artículo aborda el problema de cuantificar la incertidumbre conjunta en las leyes de elementos de interés (hierro, sílice,
Recibido el 5 de abril de 2017 manganeso, fósforo y alúmina), pérdida por ignición, granulometría y tipos de roca en un depósito de mineral de hierro. La
Recibido en forma revisada el 10 de mayo de 2017
información de muestreo está disponible a partir de un conjunto de pozos de perforación de exploración. La metodología
Aceptado el 14 de mayo de 2017
considera la construcción de resultados de múltiples tipos de roca mediante simulación plurigaussiana, luego los resultados
Disponible en línea el 18 de mayo de 2017
de las variables cuantitativas (leyes, pérdida por ignición y granulometría) se construyen mediante simulación conjunta
multigaussiana, teniendo en cuenta los dominios geológicos específicos de cada variable cuantitativa, así como un Fórmula de
Palabras clave:
cierre estequiométrico que vincula estas variables. Los resultados se validan verificando la reproducción de las distribuciones
Heterogeneidad geológica
de datos y de los valores de los datos en las ubicaciones de los pozos de perforación, y su capacidad para medir la
Control geológico
Dominio geológico incertidumbre en ubicaciones no muestreadas se evalúa mediante una validación cruzada de dejar uno fuera.
Simulación geoestadística
Cierre estequiométrico Tanto el modelo plurigaussiano como el multigaussiano ofrecen mucha flexibilidad al practicante para enfrentar la
complejidad de las variables que se modelan, en particular: (1) las relaciones de contacto entre tipos de rocas, (2) los
controles geológicos ejercidos por los tipos de rocas sobre la variables cuantitativas, y (3) las correlaciones cruzadas
y el cierre estequiométrico que vincula las variables cuantitativas. Además de esta flexibilidad, el uso de algoritmos
de simulación eficientes resulta esencial para una aplicación exitosa, debido al gran número de variables, datos y
ubicaciones objetivo de la simulación.
- 2017 Elsevier BV Todos los derechos reservados.

1. Introducción continua a través de un límite de tipo de roca, mientras que otras

variables pueden ser discontinuas al cruzar el mismo límite. La tercera
Este trabajo presenta una aplicación de simulación geoestadística característica distintiva es que se supone que todas las variables
para evaluar los recursos minerales y cuantificar la incertidumbre cuantitativas tienen correlación cruzada, incluso cuando se definen en
geológica en un depósito de mineral de hierro. Aunque utiliza modelos dominios geológicos separados o parcialmente superpuestos, de modo
bien conocidos (plurigaussianos y multigaussianos), es innovador por que la presencia de un límite de tipo de roca no excluye la influencia de
varias razones. La primera es la alta dimensionalidad del problema bajo los datos entre ellas. ambos lados del límite. La última innovación
consideración, que involucra una variable nominal con diez categorías corresponde a la generación de resultados simulados (escenarios) que
(tipos de rocas) y siete variables cuantitativas (leyes de cinco elementos reproducen una fórmula de cierre estequiométrico entre las leyes y la
de interés, pérdida por ignición y granulometría). La segunda pérdida por ignición.
innovación se relaciona con los diferentes controles geológicos que El enfoque propuesto es jerárquico, en el que primero se simulan
ejercen los tipos de rocas sobre las variables cuantitativas, lo que los tipos de rocas, luego las variables restantes condicionalmente a los
implica la definición de dominios geológicos propios de cada variable tipos de rocas, una estrategia que se usa comúnmente al modelar
cuantitativa y el hecho de que una variable pueda ser recursos minerales (p. ej.,Roldão et al., 2012; Jones y otros, 2013; Talebi
y otros, 2016). El esquema de las siguientes secciones es el siguiente:
después de presentar el estudio de caso (Sección2), abordamos el
⇑Autor para correspondencia en: Departamento de Ingeniería de Minas, Universidad de Chile, modelado y simulación de los tipos de rocas (Sección3), luego el
Santiago, Chile. modelado y simulación conjunta de las variables cuantitativas (leyes,
Correos electrónicos:[email protected] (N. Mery),[email protected] (X. Emery), pérdida por ignición y granulometría) (Apartado4). A continuación se
[email protected] (A. Cáceres),[email protected] (D. Ribeiro), presenta una discusión general y conclusiones.
[email protected] (E. Cunha).

http://dx.doi.org/10.1016/j.oregeorev.2017.05.011
0169-1368/- 2017 Elsevier BV Todos los derechos reservados.
 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351 337

2. Presentación del depósito y de los datos tabla 1

Variables cuantitativas con su codificación y definición.

El depósito de mineral bajo estudio está ubicado en el estado de Minas Variable Unidad Símbolo Definición
Gerais, Brasil, y está alojado en formaciones de hierro en bandas. Sus Grado de hierro % fe Concentración masiva de hierro (Fe)
dimensiones son de unos 2.000 metros en dirección este-oeste, 1.000 Grado de sílice % SiO2 Concentración masiva de dióxido de silicio (SiO2)
metros en dirección norte-sur y 500 metros en dirección vertical. Los Fósforo % PAG Concentración másica de fósforo (P)

principales minerales que contienen hierro son los minerales de hematita

calificación

Alúmina % Alabama2oh3 Concentración másica de óxido de aluminio (Al

(de alta ley) y las itabiritas (de baja ley), que pueden encontrarse como rocas calificación 2oh3)
densas (compactas) o porosas (friables). La transición de minerales de hierro Manganeso % Minnesota Concentración másica de manganeso (Mn)
de alta a baja calidad se caracteriza principalmente por un aumento del calificación

contenido de cuarzo. Además, el depósito está recubierto por una capa Pérdida en % carta de intención Concentración masiva de materiales volátiles
encendido (agua combinada, materia orgánica, sales
supergénica (conocida como canga superficial), formada con fragmentos
solubles, carbonatos, sulfuros)
ricos en hierro e itabiritas cementadas con goethita derivada de la Granulometría % GRAMO1 Proporción masiva de fragmentos con
meteorización de la formación de hierro (Dorr, 1964). tamaño > 6,3 mm
Se ha realizado una campaña de exploración consistente en
perforaciones diamantinas para reconocer el yacimiento y cuantificar
sus recursos. El diseño de muestreo tiene un espaciamiento horizontal Los grupos de rocas, minerales de hematita e itabirita, se subdividen
que varía de 50 m - 50 m a 100 m - 100 m (Figura 1). A lo largo de las según su contenido en hierro (hematita rica en hierro versus itabirita
perforaciones se han obtenido 4465 datos en una longitud compuesta pobre en hierro), sílice, alúmina, manganeso, pérdida por ignición y
de 10 metros (con una longitud mínima de 3 metros), con información granulometría, mientras que el material de desecho se compone de
sobre las leyes de cinco elementos de interés (hierro, sílice, fósforo, dolomita, laterita. , filita, rocas intrusivas y rocas estériles sin interés
alúmina y manganeso), pérdidas al ignición, granulometría superior a económico. Las distribuciones experimentales de las leyes, la pérdida
6,3 mm y tipo de roca predominante (Tablas 1 y 2). Los dos principales por ignición y la granulometría se muestran enFigura 2. El hierro

Figura 1.Ubicación de las muestras de los pozos de perforación, pintadas según el grado de hierro (A) y el tipo de roca (B) (secciones transversales con coordenadas este comprendidas entre -6450 m y
- 6350 metros).
338 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351

Tabla 2 El tercer campo aleatorio, asociado con el contenido de hierro (o con el

Tipos de rocas y su codificación.
contenido de sílice, que está fuertemente correlacionado negativamente con
tipo de roca Símbolo Código el contenido de hierro, ver Sección4next), permite dividir el grupo compacto
hematita friable FH 1 en hematita compacta (CH) e itabirita compacta (CI), y el grupo friable en
Hematita compacta CH 2 itabirita pobre en hierro (FI), itabirita rica en hierro y hematita friable (figura
Hematita rica en alúmina ALH 3 4ANTES DE CRISTO). A su vez, el cuarto campo aleatorio, asociado al
Itabirita rica en alúmina ALI 4 contenido de alúmina, se utiliza para dividir los minerales friables de
Itabirita rica en manganeso MNI 5
hematita en pobres en alúmina (FH) y ricos en alúmina (ALH), así como las
Itabirita compacta CI 6
itabirita friable FI 7 itabiritas ricas en hierro en pobres en alúmina ( FRI) y rico en alúmina (figura
Itabirita friable rica en VIE 8 4C). El quinto campo aleatorio, asociado con el contenido de manganeso, se
hierro Itabirita anfibólica AI 9 introduce para dividir las itabiritas ricas en alúmina en itabiritas ricas en
Canga CG 10
manganeso (MNI) y pobres en manganeso. Estas últimas se dividen
Desperdiciar W. 11
finalmente en itabiritas anfibólicas (AI) y ricas en alúmina (ALI) considerando
un sexto campo aleatorio relacionado con la pérdida por ignición (y, en
cierta medida, con el grado de fósforo que se correlaciona positivamente
y las distribuciones de grado de sílice son bimodales, lo que sugiere la
con la pérdida por ignición). (figura 4D). Se ha elegido este ordenamiento
mezcla de más de una población de datos, mientras que las otras
porque permite dividir el depósito en diez tipos de rocas utilizando sólo seis
distribuciones son unimodales y sesgadas positivamente. También se
campos aleatorios gaussianos, que además tienen una correspondencia uno
observa la fuerte influencia del tipo de roca en la ley, la pérdida por ignición
a uno con la capa de canga, granulometría, hierro, alúmina, manganeso y
y las distribuciones granulométricas, en particular, en sus distribuciones y
pérdida en contenidos de ignición, respectivamente. Otros ordenamientos
valores medios (Tabla 3), lo que concuerda con la definición del tipo de roca.
de la regla de truncamiento requerirían más campos aleatorios gaussianos y
Finalmente, Figura 1también sugiere la presencia de tendencias que están
la correspondencia uno a uno anterior se perdería, por lo que la
controladas por el tipo de roca; en particular, las altas leyes de hierro se
interpretación de la regla de truncamiento sería menos sencilla.
encuentran principalmente en elevaciones más altas, que corresponden a
minerales de hematita y canga. Asimismo, se espera encontrar valores
La regla de truncamiento propuesta también concuerda con las
elevados de granulometría en cotas más bajas, correspondientes a itabirita
relaciones de contacto observadas en los datos del pozo de perforación (
compacta. En resumen, el tipo de roca ejerce un control sobre el
Tabla 4), que indican pocos contactos entre varios pares de tipos de rocas
comportamiento estadístico y espacial de las variables cuantitativas de
que están remotas en la regla de truncamiento (en particular, FI-FH, FI-CH,
interés (leyes, pérdida por ignición y granulometría). Estas afirmaciones
FI-ALH, FH-ALI, FH-MNI, FH-CI, FH-AI , ALH-CI y ALH-FRI) y muchos contactos
motivan el recurso a un enfoque jerárquico, donde el tipo de roca se modela
entre pares contiguos en la regla de truncamiento (FH-CH, FH-FRI, ALI-FI, CI-
antes que las variables cuantitativas.
FI y FI-FRI). Otros contactos que parecen posibles según la regla de
truncamiento (por ejemplo, CG-CI o CG-FI) en realidad serán escasos o
3. Modelado y simulación de tipos de rocas. inexistentes porque, en cada ubicación del depósito, a uno de los dos tipos
de roca se le asignará una proporción local cercana a cero. , como se verá en
Con base en los datos de perforación y la comprensión del depósito, la siguiente subsección.
los geólogos de recursos han modelado la disposición espacial de los
dominios de tipo de roca en una cuadrícula regular que contiene 219 -
3.2. Umbrales de truncamiento
108 - 55 nodos con espacios de 10 m - 10 m - 10 m (Fig. 3). Sin embargo,
este modelo corresponde a una interpretación única del depósito y no
La regla de truncamiento anterior depende de nueve umbrales {t1,t2, t3,t0
permite cuantificar la incertidumbre en la verdadera disposición del
, 3 t00
3,t4,t0 4,t5,t6} que delimitan la partición de los seis-
tipo de roca. Por esta razón, es de interés construir un conjunto de
espacio dimensional en paralelotopos (Figura 4). Dejarpag1,. . .pag10ser las
resultados, mediante simulación estocástica, que proporcionen
proporciones de los diez tipos de rocas de interés (valores medios de las
interpretaciones alternativas de la distribución del tipo de roca dentro
variables indicadoras asociadas), ordenadas según la numeración deTabla 2.
del depósito. A continuación, el modelo plurigaussiano (Le Loc'h y Galli,
Suponiendo que los campos aleatorios gaussianos subyacentes son
1997; Armstrong y otros, 2011; Yunsel y Ersoy, 2011; Talebi y otros,
independientes y denotan porGRAMOEn la función de distribución
2016) se utilizará para este propósito. En aras de la simplicidad, se
acumulativa normal estándar, se tienen las siguientes relaciones entre las
supone que se conoce perfectamente la disposición de los residuos
proporciones y los umbrales del tipo de roca:
(situados en la parte exterior del depósito), por lo que la simulación se
limitará a los diez tipos de roca mineral. 8
>p ¼ ½1 -GRAMOdt ÞGRAMOdt Þ½1 -GRAMOdt ÞGRAMOdt 4Þ
>
1 1 2 0 3 0

>
>p ¼ ½1 -GRAMOdt Þ ½1 -GRAMOdt Þ ½1 -GRAMOdt 3Þ
>
2 1 2 0
3.1. regla de truncamiento
>
>p ¼ ½1 -GRAMOdt ÞGRAMOdt Þ½1 -GRAMOdt
3 1 2 Þ ½1 -GRAMOdt 4Þ
0 3 0

>
El modelo plurigaussiano define una variable categórica (en el presente >p ¼ ½1 -GRAMOdt ÞGRAMOdt Þ½GRAMOdt Þ -GRAMOdt Þ ½1 -GRAMOdt Þ ½1 -GRAMOdt ÞGRAMOdt Þ
>
4 1 2 0 3 3 4 5 6

caso, el tipo de roca) mediante el truncamiento de campos aleatorios <p5¼ ½1 -GRAMOdt1ÞGRAMOdt2Þ½GRAMOdt0 3Þ -GRAMOdt3Þ ½1 -GRAMOdt4ÞGRAMOdt5Þ

gaussianos sintéticos. El número de dichos campos y la forma de truncarlos >p ¼ ½1 -GRAMOdt Þ ½1 -GRAMOdt ÞGRAMOdt 3Þ
> 6 1 2 0

(regla de truncamiento) se eligen para reproducir las relaciones de contacto >

>
>p7¼ ½1 -GRAMOdt ÞGRAMOdt ÞGRAMOdt Þ
entre los tipos de roca, que aquí se relacionan con transiciones en la >
1 2 3

granulometría (fina versus gruesa), pérdida por ignición o grado de un

>
>p ¼ ½1 -GRAMOdt ÞGRAMOdt Þ½GRAMOdt Þ -GRAMOdt ÞGRAMOdt Þ
8 1 2 0 3 3 4

>
elemento de interés (pobres versus ricos). >p ¼ ½1 -GRAMOdt ÞGRAMOdt Þ½GRAMOdt Þ -GRAMOdt Þ ½1 -GRAMOdt Þ ½1 -GRAMOdt Þ ½1 -GRAMOdt Þ
>
9 1 2 0 3 3 4 5 6

Para este fin, se define una regla de truncamiento de seis dimensiones, :

pag10¼GRAMOdt1Þ
basada en seis campos aleatorios gaussianos subyacentes, denotados a
d1Þ
continuación comoY1,. . .,Y6. El primer campo aleatorio se introduce para dividir el
mineral en canga (CG) y todos los tipos de rocas ferruginosas restantes (minerales Por lo tanto, conociendo las proporciones del tipo de roca, es
de hematita e itabiritas) (figura 4A). Estas últimas se dividen luego en dos grupos sencillo derivar los umbrales de truncamiento.
(rocas friables y rocas compactas) gracias a un segundo campo aleatorio asociado Desde el punto de vista geológico, las proporciones del tipo de roca
a la granulometría del mineral (figura 4A, B). no son homogéneas en todo el depósito. Por ejemplo, canga (CG) es
 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351 339

Figura 2.Distribuciones experimentales de variables cuantitativas.

340 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351

Tabla 3
Relaciones entre tipos de rocas y variables cuantitativas (los valores promedio se indican entre paréntesis). En esta tabla, "rico" significa más del 62% para hierro, 35% para sílice, 1,5% para alúmina, 1%
para manganeso, 4,5% para pérdida por ignición. "Pobre" significa menos del 45% para hierro, 10% para sílice, 1,5% para alúmina, 1% para manganeso, 2% para pérdida por ignición. Para
granulometría, "fina" significa menos del 40% y "gruesa" más del 50%.

tipo de roca Grado de hierro Grado de sílice Grado de alúmina Grado de manganeso Pérdida por ignición Granulometría

FH Rico (64,8) Pobre (4,0) Pobre (1.2) Pobre (0,13) Pobre (1,8) Bien (23,8)
CH Rico (66,2) Pobre (3.2) Pobre (0,7) Pobre (0,04) Pobre (1.3) Grueso (72,2)
ALH Rico (64,0) Pobre (1,9) Rico (2.1) Pobre (0,23) Intermedio (3.9) Bien (33,4)
ALI Intermedio (51,6) Intermedio (20.1) Rico (2.0) Pobre (0,13) Intermedio (3.6) Bien (24.4)
MNI Intermedio (49,3) Intermedio (20.2) Rico (1.7) Rico (3.24) Intermedio (2.8) Bien (25,0)
CI Pobre (42,7) Rico (37,2) Pobre (0,5) Pobre (0,10) Pobre (1.1) Grueso (60,5)
FI Pobre (42,9) Rico (36,2) Pobre (0,8) Pobre (0,09) Pobre (1,4) Bien (24,9)
VIE Intermedio (57.0) Intermedio (15.6) Pobre (1.1) Pobre (0,09) Pobre (1,5) Bien (22.4)
AI Intermedio (55,4) Intermedio (11.8) Rico (2.0) Pobre (0,13) Rico (6.3) Bien (36,3)
CG Rico (63,0) Pobre (2.2) Rico (2.6) Pobre (0,05) Rico (4.6) Intermedio (46,9)

Los variogramas del indicador se convierten posteriormente en

variogramas de los campos aleatorios gaussianos subyacentes, utilizando la
conocida relación entre el indicador y los variogramas gaussianos (Kyriakidis
y otros, 1999; Emery, 2007; Maleki y otros, 2016), y finalmente ajustado
anidando modelos de variogramas teóricos básicos con una anisotropía
geométrica (figura 5yTabla 6). El ajuste se realiza mediante un algoritmo
semiautomático que garantiza que el umbral de cada variograma sea igual a
1 (esmeril, 2010), ya que se supone que los campos aleatorios gaussianos
tienen una varianza unitaria. Basado en una evaluación visual defigura 5, el
ajuste se considera satisfactorio para todos los campos aleatorios
gaussianos, ya que los modelos de variogramas ajustados pasan cerca de
los puntos experimentales calculados a lo largo de las direcciones horizontal
y vertical.
El enfoque anterior para el análisis de variogramas sigue siendo aplicable
incluso si los datos del indicador exhiben diferentes direcciones de anisotropía (es
decir, si las direcciones principales de continuidad de los dominios del tipo de roca
no son las mismas), en cuyo caso los modelos de variograma ajustados a los
campos aleatorios gaussianos también tendría diferentes direcciones de
anisotropía. Tenga en cuenta también que los variogramas cruzados de los
campos aleatorios gaussianos son funciones idénticamente cero, ya que estos
Fig. 3.Una sección transversal del modelo de tipo de roca interpretado (coordenada este
= -6400 m). Las áreas blancas corresponden a residuos o aire. Se han superpuesto los
campos se suponen independientes. Aunque esta suposición limita la generalidad
datos de los taladros pertenecientes a esta sección. de nuestro modelo plurigaussiano (no se realiza ningún ajuste de los variogramas
cruzados del indicador), permite inferir los umbrales de truncamiento y los
variogramas de los campos aleatorios gaussianos de manera jerárquica, mientras
una capa superficial que cubre el depósito, mientras que los tipos de rocas que un procedimiento de inferencia conjunto tendría que diseñarse si estos
compactas (CH y CI) es más probable que se encuentren en profundidad que campos no fueran independientes.
cerca de la superficie. También se observan variaciones laterales, como se
muestra en el modelo litológico interpretado (Fig. 3). SiguienteBeucher et al.
(1993), se supondrá que las proporciones del tipo de roca (por lo tanto, los 3.4. Simulación
umbrales de truncamiento) varían en el espacio, para reproducir las
tendencias observadas en las proporciones del tipo de roca. Para este fin, La simulación se realiza en tres pasos:
para cada ubicación objetivo, las proporciones locales se calculan a partir del
modelo litológico interpretado utilizando una ventana móvil con un tamaño (1) Los seis campos aleatorios gaussianos subyacentesY1, . . .,Y6se
de 50 m - 50 m - 30 m centrada en la ubicación bajo consideración. El simulan primero en las ubicaciones de los datos,
tamaño de la ventana móvil se definió de acuerdo con los geólogos de condicionalmente a los datos del indicador (Tabla 5), recurriendo
recursos y el rendimiento del modelo resultante se verificó mediante la a un algoritmo iterativo (muestreador de Gibbs) (Freulon, 1994;
técnica de validación de muestra dividida (consulte la siguiente subsección). Armstrong y otros, 2011). Para mejorar la convergencia de los
valores simulados con la distribución gaussiana multivariada
objetivo, se utiliza una implementación de vecindad única (
Emery y otros, 2014). El muestreador se detiene cuando cada
dato gaussiano se actualiza cien veces.
3.3. Análisis de variograma (2) Luego, los campos aleatorios gaussianos se simulan en las ubicaciones
objetivo, condicionalmente a los datos gaussianos producidos por el
Para cada campo aleatorio gaussiano y cada umbral de truncamiento, los muestreador de Gibbs. Los resultados no condicionales de cada
datos del tipo de roca se pueden codificar en indicadores, valorados como 0, 1 o campo aleatorio gaussiano se construyen con un algoritmo de
desconocido (Tabla 5). Los variogramas experimentales de los datos del indicador bandas de giro espectral (Emery y otros, 2016) y convertidos en
así definidos se calculan luego a lo largo de las direcciones principales de resultados condicionales mediante kriging residual (Chilès y Delfiner,
anisotropía, es decir, el plano horizontal para distancias de separación de retardo 2012).
múltiplos de 50 metros y la dirección vertical para distancias de separación de (3) Los campos aleatorios gaussianos simulados finalmente se truncan
retardo múltiplos de 10 metros, en ambos casos con una Tolerancia angular de para obtener los dominios del tipo de roca, de acuerdo con la regla
90- en el acimut y 20- en el buzamiento. de truncamiento previamente definida (Figura 4).
 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351 341

Figura 4.Representaciones de la regla de truncamiento a lo largo de las dimensiones 1 y 2 (A), dimensiones 2 y 3 (B), dimensiones 3 y 4 (C) y dimensiones 5 y 6 (D).

Tabla 4
Número de transiciones de tipo de roca, considerando pares de datos adyacentes a lo largo de cada sondaje.

Tipo de roca de los datos superiores

FH CH ALH ALI MNI CI FI VIE AI CG

Tipo de roca de los datos del fondo. FH 227 37 31 11 6 4 8 26 5 31
CH 33 162 6 3 0 15 dieciséis 21 1 5
ALH 22 12 123 4 2 1 1 4 14 14
ALI 15 9 7 142 9 5 37 31 36 7
MNI 15 0 6 11 105 3 22 dieciséis 0 3
CI 3 11 1 19 7 231 135 24 3 0
FI 31 21 2 57 23 92 758 107 15 0
VIE 74 22 17 21 15 14 34 304 10 11
AI 3 0 20 20 1 0 15 6 127 17
CG 1 0 2 0 0 0 0 0 0 51

Tabla 5
Codificación de datos de tipo de roca en datos de indicadores.

tipo de roca Y1<t1 Y2<t2 Y3<t3 Y3<t0 3 Y3<t003 Y4<t4 Y4<t0 4 Y5<t5 Y6<t6

FH 0 1 0 0 – – 1 – –
CH 0 0 – – 0 – – – –
ALH 0 1 0 0 – – 0 – –
ALI 0 1 0 1 – 0 – 0 1
MNI 0 1 0 1 – 0 – 1 –
CI 0 0 – – 1 – – – –
FI 0 1 1 1 – – – – –
VIE 0 1 0 1 – 1 – – –
AI 0 1 0 1 – 0 – 0 0
CG 1 – – – – – – – –

Se construyen veinte resultados en la misma cuadrícula que el modelo generar números aleatorios en el muestreador de Gibbs y el algoritmo de
de tipo de roca interpretado, cambiando en cada resultado las semillas para bandas de giro espectral. Algunos resultados se mapean enFigura 6.
342 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351

Figura 5.Variogramas experimentales (cruces) y ajustados (líneas continuas) de los campos aleatorios gaussianos subyacentes, a lo largo de las principales direcciones de anisotropía: horizontal (negro) y
vertical (azul). (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

3.5. Validación de muestra dividida las ubicaciones del subconjunto de pruebas. Con los resultados así obtenidos, se
puede calcular la probabilidad de ocurrencia de cada tipo de roca en las
Los datos de perforación originales se dividen en dos subconjuntos (un subconjunto de ubicaciones del subconjunto de pruebas. Entre las ubicaciones con una
entrenamiento y un subconjunto de prueba, cada uno con aproximadamente el 50% de los datos) probabilidad dadapagde ocurrencia de un tipo de roca, se espera que una
mediante una selección aleatoria y los datos del subconjunto de entrenamiento se utilizan como proporciónpagde los datos de prueba realmente coinciden con este tipo de roca,
información condicionante para simular los tipos de roca en lo que proporciona una forma sencilla de validar la precisión de la
 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351 343

Tabla 6
Parámetros de los variogramas ajustados.

campo aleatorio gaussiano Estructura anidada básica Alcance horizontal (m) Alcance vertical (m) Umbral

1 Cúbico 100 150 0.271

Cúbico 1000 150 0,729
2 Cúbico 25 15 0.765
Cúbico 550 100 0.235
3 Exponencial 110 85 0.761
Cúbico 700 165 0,239
4 Exponencial 200 200 1.000
5 Esférico 520 520 1.000
6 Cúbico sesenta y cinco 30 0.903
Cúbico 600 35 0,097

Figura 6.Sección transversal de cuatro resultados de tipo rocoso (este = -6400 m). Se han superpuesto los datos de los taladros de acondicionamiento pertenecientes a esta sección.

modelo (Alemán, 1997; Goovaerts, 2001). La comparación entre variable por separado. El primero es la existencia de fuertes correlaciones
probabilidades de ocurrencia y proporciones de datos de prueba se realiza cruzadas entre varios pares de variables, como Fe-SiO.2, LOI-P y LOI-Al2oh3
para los diferentes tipos de roca y diferentes probabilidades (0.1, 0.3, 0.5, 0.7 sobre todo el conjunto de datos (Tabla 7). También se pueden observar
y 0.9, cada una con una tolerancia de cálculo de ±0.1), arrojando una correlaciones significativas dentro de tipos de rocas específicos, por
excelente coincidencia en todos los casos. (figura 7). ejemplo, -0,80 y -0,73 para los pares Fe-Al.2oh3y Fe-LOI en canga,
respectivamente.
La segunda razón es la fórmula de cierre estequiométrico que vincula las
4. Modelado y simulación de variables cuantitativas. variables de ley y pérdida por ignición, que por tanto constituyen una
composición regionalizada:
4.1. Necesidad de simulación conjunta

1:4297FeþSiO2þAlabama2oh3þ2:2913Pþ1:2912Mnþcarta de intención¼100:
Habiendo simulado la disposición del tipo de roca dentro del depósito,
ahora abordamos el problema de simular las variables cuantitativas (leyes, d2Þ
pérdida por ignición y granulometría). Dos razones justifican la necesidad de Se introducen los coeficientes 1,4297, 2,2913 y 1,2912 para reescalar
una simulación conjunta en lugar de una simulación de cada uno las masas de hierro, fósforo y manganeso al
344 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351

las variables cuantitativas originales y las nuevas variables transformadas.

También tenga en cuenta que estos últimos no son aditivos, es decir, no
promedian linealmente sobre un soporte mayor que el soporte de datos
(apoyo cuasi-puntual), ya que se definen como proporciones de
calificaciones. En consecuencia, la simulación se realizará sobre un soporte
puntual; cualquier cambio de soporte requeriría considerar una cuadrícula
fina y promediar las variables originales simuladas (retransformadas)
obtenidas en esta cuadrícula fina en los bloques de interés.

4.2. Dominio geológico

Los tipos de roca controlan el comportamiento estadístico tanto de las

variables originales como de las nuevas. Por lo tanto, es apropiado dividir el
depósito en dominios de tipo de roca en los que se pueda suponer que las
variables están distribuidas homogéneamente y representadas por campos
aleatorios estacionarios (Rossi y Deutsch, 2014). Uno de estos dominios para
todas las variables es la canga, por su carácter supergénico y posición
superficial. Sin embargo, los otros dominios deben definirse de manera
Figura 7.Resultados de la validación de muestras divididas de la simulación plurigaussiana.
diferente para cada variable, como se explica a continuación.
Para variablesz5, se pueden distinguir tres dominios además de canga: el
masas de los óxidos que contienen estos elementos: hematita (Fe2oh3), primero es una itabirita rica en sílice, pobre en hierro, formada por CI
pentóxido de fósforo (P2oh5) y monóxido de manganeso (MnO), +FI; el segundo está formado por minerales de hematita ricos en hierro y
respectivamente. Para reproducir esta fórmula de cierre se propone el pobres en sílice (FH + CH + ALH); el tercero está formado por las itabiritas
siguiente cambio de variables, en el que las variables cuantitativas restantes (ALI + MNI + FRI + AI) con grados intermedios de hierro y sílice.
(ordenadas desde la variable de menor valor medio hasta la variable de Para variablesz1,z3yz4(relacionados con el grado de fósforo, grado de
mayor valor medio) se normalizan sucesivamente por el residual del alúmina y pérdida por ignición, respectivamente), se puede distinguir un
cierre estequiométrico: dominio de tipo de roca (AI) con los valores promedio y varianzas más altos,
8 un segundo grupo de tipos de roca (FH + CH + CI + FI
>Z1¼PAG + FRI) con valores bajos, y un tercer grupo (ALH + ALI + MNI) con valores
>
>Z2¼1:2912Mn
100-2:2913P
intermedios. Para variablesz2(relacionada con el grado de manganeso), la
> itabirita rica en manganeso (MNI) parece ser muy diferente de todos los
<z3¼ Alabama2oh3

100-2:2913P-1:2912Mn
d3Þ demás tipos de rocas (Tabla 3) y, por lo tanto, debería constituir un dominio
>Z 4¼ carta de intención

> 100-2:2913P-1:2912Mn-Al2oh3 separado. Finalmente, para variablesz6(relacionado con la granulometría), la

> SiO2
>Z5¼ partición lógica consiste en el compacto (CH
>
: 100-2:2913P-1:2912Mn-Al2oh3-LOI
+ CI) versus los tipos de rocas friables (FH + ALH + ALI + MNI + FI + FRI +
z6¼GRAMO1
AI).
Por tanto, hay que abordar la simulación conjunta de las seis Un resumen de los dominios geológicos se proporciona enTabla 9.
variables.z1az6, que permiten recuperar las siete variables originales, Figura 8 muestra un ejemplo de análisis de contactos (Rossi y Deutsch,
según la siguiente retrotransformación: 2014; Maleki y Emery, 2015), que consiste en agrupar los datos de un
8 dominio geológico según sus distancias al límite con otro dominio y en
>P¼z 1
>
> mn¼z2d100-2:2913PÞ calcular el valor medio de cada grupo. Este análisis permite comprobar
> 1:2912 que el valor medio local cambia significativamente al cruzar el límite
>
<
>Al2oh3¼z3d100 - 2:2913P - 1:2912MnÞ entre un dominio y otro. También se podría realizar un análisis de la
carta de intención¼z4d100 - 2:2913P - 1:2912Mn - Al2oh3Þ d4Þ correlación cruzada entre dominios, pero en realidad esto no es crítico
> en el presente estudio de caso, en la medida en que desarrollaremos
>
> SiO2¼z5d100 - 2:2913P - 1:2912Mn - Al2oh3- LOIÞ
>
> un modelo en el que todas las variables estén correlacionadas de forma
> Fe¼100-2:2913P-1:2912Mn-Al 2oh3-LOI-SiO2

: 1:4297 cruzada, independientemente de si están definidas en el mismo

GRAMO1¼z6 dominio o no (ver siguiente subsección).
Dado que los valores medios de P, Mn, Al2oh3y LOI son mucho
menores que 100, las nuevas variablesz2az6resultan estar fuertemente 4.3. Modelado geoestadístico
correlacionados (coeficientes de correlación superiores a 0,995) con las
variables que aparecen en los numeradores, es decir, Mn, Al2oh3, LOI y Cada variablez1. . .z6puede representarse mediante un campo aleatorio estacionario
SiO2, respectivamente (Tabla 8). En otras palabras, la transformación se dentro de cada uno de los dominios geológicos asociados, totalizando 22 campos
ha elegido para producir la menor distorsión entre aleatorios que se definen en dominios que pueden ser iguales,

Tabla 7
Matriz de correlación experimental entre variables cuantitativas.

fe SiO2 PAG Alabama2oh3 Minnesota carta de intención GRAMO1

fe 1 - 0,98 0,13 0,23 - 0,12 0,19 0,13

SiO2 - 0,98 1 - 0,24 - 0,35 - 0,01 - 0,34 - 0,10
PAG 0,13 - 0,24 1 0,37 0,15 0,69 0,02
Alabama2oh3 0,23 - 0,35 0,37 1 0,15 0,61 - 0,26
Minnesota - 0,12 - 0,01 0,15 0,15 1 0,19 - 0,08
carta de intención 0,19 - 0,34 0,69 0,61 0,19 1 - 0,03
GRAMO1 0,13 - 0,10 0,02 - 0,26 - 0,08 - 0,03 1
 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351 345

Tabla 8
Coeficientes de correlación experimental entre variables originales y nuevas.

fe SiO2 PAG Alabama2oh3 Minnesota carta de intención GRAMO1

z1 0,13 - 0,26 1.00 0,42 0,15 0,71 0,03

z2 - 0,14 - 0,01 0,15 0,15 1.00 0,18 - 0,07
z3 0,17 - 0,34 0,42 1.00 0,20 0,68 - 0,18
z4 0,17 - 0,36 0,71 0,70 0,25 1.00 - 0,01
z5 - 0,98 1.00 - 0,24 - 0,33 0,01 - 0,34 - 0,11
z6 0,13 - 0,10 0,03 - 0,18 - 0,07 - 0,01 1.00

Tabla 9
Dominios geológicos asociados a cada variable cuantitativa a simular.

Variable Dominio 1 Dominio 2 Dominio 3 Dominio 4

z1 AI FH + CH + CI + FI + VIE ALH + ALI + MNI CG

z2 MNI FH + CH + ALH + ALI + CI + FI + VIE + AI CG
z3 AI FH + CH + CI + FI + VIE ALH + ALI + MNI CG
z4 AI FH + CH + CI + FI + VIE ALH + ALI + MNI CG
z5 CI + FI ALI + MNI + VIE + AI FH + CH + ALH CG
z6 CH + CI FH + ALH + ALI + MNI + FI + FRI + AI CG

Figura 8.Evolución de los valores medios dez1,z3yz4cerca de los límites de los dominios 1 (AI), 2 (FH + CH + CI + FI + FRI) y 3 (ALH + ALI + MNI).

superponerse parcialmente o estar separados. Estos campos aleatorios se (1) Desagrupación de celdas, utilizando un tamaño de celda común de 200 m -
modelan mediante el enfoque multigaussiano convencional, según los siguientes 200 m - 10 m para todas las variables. Este tamaño (aproximadamente dos
pasos: veces mayor que el tamaño del pozo de muestreo)
346 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351

Tabla 10
Estadísticas antes y después de desagrupar.

Variable Dominio tipos de rocas Valor medio antes de desagrupar Valor medio después de desagrupar

z2 1 MNI 0.0419 0.0443

z2 2 FH + CH + ALH + ALI + CI + FI + FRI + AI CI 0.0014 0.0018
z5 1 + FI 0.3724 0.4060

malla) se selecciona para eliminar o, al menos, mitigar el efecto de y, posteriormente, en las leyes, pérdida por ignición y granulometría, según
cualquier posible muestreo preferencial. Los mayores cambios la Ec.(4). A modo de ilustración, se muestra un resultado sobre una sección
relativos en los valores medios antes y después de la desagrupación transversal del depósito enFigura 10. Este resultado proporciona un valor
se indican enTabla 10. simulado de cada variable cuantitativa en cada nodo de la cuadrícula
(2) Transformación de puntuaciones normales y modelado de las objetivo. La variabilidad a pequeña escala podría reducirse simulando en
distribuciones desagrupadas dez1az6a través de sus funciones de una cuadrícula fina y promediando los valores simulados en cada bloque de
transformación gaussianas dentro de cada dominio. tamaño 10 m - 10 m - 10 m, ya que el cambio de soporte induce un efecto de
(3) Inferencia de la estructura de correlación espacial, mediante el suavizado espacial (Chilès y Delfiner, 2012).
cálculo de covarianzas experimentales (22 covarianzas directas y
231 covarianzas cruzadas). Aquí, se prefiere la covarianza al
variograma porque las variables no se conocen en las mismas 4.5. Validación
ubicaciones de datos (los dominios en los que se definen pueden
ser disjuntos), lo que impide calcular variogramas cruzados ( Una primera validación consiste en una verificación visual de los
Wackernagel, 2003). Se utilizan los mismos parámetros de resultados y su coherencia con los dominios del tipo de roca: cada variable
cálculo que para los indicadores de tipo de roca: distancias de debe exhibir continuidad espacial dentro de sus dominios geológicos y
separación de rezagos múltiplo de 50 metros a lo largo del plano discontinuidades cerca de los límites del dominio. Esto es particularmente
horizontal y múltiplo de 10 metros a lo largo de la dirección notorio enFigura 10con las leyes de hierro y sílice, al comparar minerales de
vertical. hematita (ricos en hierro, pobres en sílice) e itabiritas (pobres en hierro, ricos
(4) Ajuste de un modelo de coregionalización lineal, utilizando un efecto en sílice), y con la granulometría al comparar los tipos de rocas friables y
pepita y un conjunto de modelos exponenciales anidados. Las compactas.
matrices de corregionalización están equipadas con un Una segunda validación consiste en comprobar que los valores
procedimiento automatizado que tiene como objetivo minimizar las simulados reproducen las distribuciones marginales y bivariadas de los
diferencias al cuadrado entre las covarianzas experimentales y datos de perforación originales, lo que se puede realizar comparando las
modeladas (Goulard y Voltz, 1992; esmeril, 2010). Tenga en cuenta estadísticas básicas, histogramas, coeficientes de correlación y diagramas de
que aquí se considera un modelo de coregionalización completo, es dispersión, globalmente y/o dentro de cada tipo de roca (Leuangthong y
decir, es probable que cada uno de los 22 campos aleatorios otros, 2004); algunos ejemplos se muestran enTabla 11yFigura 11. Por
gaussianos subyacentes tenga correlación cruzada con cualquier construcción, los resultados también reproducen perfectamente los valores
otro, incluso si estos campos aleatorios se definen en dominios de los datos en los lugares de muestreo y la fórmula de cierre
parcialmente superpuestos o no superpuestos. Un modelo de este estequiométrico que vincula las leyes y la pérdida por ignición (Ec.(2)).
tipo permite tener en cuenta las correlaciones espaciales entre las Finalmente, para verificar la capacidad del modelo para cuantificar la
variables de interés a través de los límites del dominio. Se presentan incertidumbre en ubicaciones no muestreadas, se realiza una validación cruzada
ejemplos de covarianzas experimentales y ajustadas enFigura 9. con exclusión de los datos de los pozos de perforación. En cada ubicación de
Aunque captura la forma general y los rangos de correlación de las datos, las leyes, la pérdida por ignición y la granulometría se simulan
covarianzas experimentales, el ajuste parece ser peor que en el caso condicionalmente a la información de los datos restantes y los tipos de roca. A
del modelado del tipo de roca que se muestra enfigura 5. Esto puede partir de los resultados así obtenidos, se pueden determinar intervalos de
explicarse por el número reducido de datos disponibles para cada probabilidad de los valores verdaderos para diferentes probabilidades teóricas y
variable (el conjunto de datos original se divide en subconjuntos más comparar estas probabilidades con las proporciones de datos que pertenecen a
pequeños, cada uno de los cuales corresponde a un dominio los intervalos (Alemán, 1997; Goovaerts, 2001). Los resultados (Figura 12) indican
específico), lo que hace que las covarianzas experimentales sean más una muy buena coincidencia para tres elementos (Fe, SiO2
fluctuantes, y por el alto número de covarianzas ( 253) que deben y al2oh3), con una desviación entre las probabilidades y las proporciones de
ajustarse simultáneamente a un único modelo de coregionalización datos siempre inferior al 4,3%, y una coincidencia relativamente buena para
lineal. Se han realizado otros ajustes (no mostrados aquí), pero sus todos los elementos restantes, siendo la desviación mayor del 8,4% para el
impactos en los resultados de la simulación resultan ser marginales. intervalo de probabilidad del 80 por ciento en granulometría (es decir, un
error relativo de sólo 10% sobre la probabilidad nominal).

4.4. Simulación conjunta

4.6. Postprocesamiento
Los 22 campos aleatorios gaussianos se simulan conjuntamente en la
cuadrícula utilizada para la simulación de tipos de rocas, mediante un algoritmo Los resultados permiten cuantificar la incertidumbre en los recursos
de bandas de giro espectral (Emery y otros, 2016). El acondicionamiento de los recuperables, a escala de todo el yacimiento o localmente, bloque por
datos del pozo de perforación se realiza mediante cokriging residual (Chilès y bloque. Para este fin se puede utilizar un conjunto variado de herramientas
Delfiner, 2012), utilizando hasta 32 muestras (192 datos de puntuaciones y medidas estadísticas, tales como: cálculo de límites de confianza y valores
normales) ubicadas en un elipsoide con semiejes de 250 m - 250 m - 100 m y esperados para las leyes, volúmenes y contenidos de metal por encima de
centrado en el nodo de la cuadrícula objetivo. Se construyen veinte resultados, los límites determinados; mapeo de la probabilidad de encontrar un tipo de
cada uno de los cuales está asociado con un resultado de los tipos de roca. Los roca determinado o leyes mayores o menores que los cortes
valores gaussianos simulados se transforman nuevamente en variables. z1az6(para preespecificados; definición de medidas de variabilidad sobre los resultados
cada resultado y cada nodo de la cuadrícula objetivo, la retrotransformación para todo el depósito o bloques específicos, etc. (Rossi y Deutsch, 2014y
depende del resultado del tipo de roca asociado) referencias en el mismo).
 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351 347

Figura 9.Algunos ejemplos de covarianzas experimentales (cruces) y ajustadas (líneas continuas), a lo largo del plano horizontal (negro) y la dirección vertical (azul). (Para la interpretación de las
referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

Como primer ejemplo,Tabla 12proporciona las fracciones de volumen y dióxido (SiO2), pentóxido de fósforo (P2oh5), óxido de aluminio (Al2oh3),
los grados medios de hierro por encima de los límites que van del 40% al monóxido de manganeso (MnO) y pérdida por ignición (LOI) en cada
55%, sujeto a los grados máximos de impureza: fósforo inferior al 0,075% y resultado, para la región general y para bloques específicos que tienen
alúmina inferior al 2%. Estas cifras se han calculado considerando cada el mismo tipo de roca en los 20 resultados: itabirita rica en manganeso
punto como una unidad minable y podrían aumentarse mezclando material (MNI), itabirita anfibolítica (AI) y canga (CG), respectivamente. La suma
de diferentes puntos. Como segundo ejemplo, Figura 13muestra las de las proporciones siempre es igual a 100 debido a la fórmula de
proporciones masivas de hematita (Fe2oh3), silicio cierre estequiométrico (Ec.(2)) pero sus valores varían
348 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351

Figura 10.Sección transversal de un resultado del tipo de roca, leyes, pérdida por ignición y granulometría (este = -6400 m).
 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351 349

Tabla 11
Coeficientes de correlación mínimo, máximo y promedio en 20 resultados simulados para pares específicos de variables y tipos de rocas.

Primero Segundo Roca Correlación mínima Correlación máxima Correlación promedio Correlación observada
variable variable tipos más de 20 resultados más de 20 resultados más de 20 resultados en los datos del pozo de perforación

fe SiO2 Todo - 0,99 - 0,99 - 0,99 - 0,98

carta de intención PAG Todo 0,58 0,74 0,67 0,69
carta de intención Alabama2oh3 Todo 0,56 0,68 0,65 0,61
fe Alabama2oh3 CG - 0,79 - 0,68 - 0,73 - 0,80
fe carta de intención CG - 0,77 - 0,60 - 0,72 - 0,73

Figura 11.Diagramas de dispersión de Fe vs. SiO2y Fe vs. LOI para datos de perforación (izquierda) y valores simulados del primer resultado (derecha).

considerablemente dependiendo del resultado y del tipo de roca. relaciones, lo que puede llevar a que hematita compacta (alto grado de
Debido al efecto de soporte (Chilès y Delfiner, 2012), las fluctuaciones hierro y granulometría gruesa) entre en contacto con itabirita friable (bajo
en las proporciones entre un resultado y otro son mucho más suaves grado de hierro y granulometría fina), situación que se evita con la regla de
cuando se considera la región en su conjunto (625.416 bloques) que truncamiento definida enFigura 4B. Alternativamente, simulación basada en
cuando se considera un solo bloque. estadísticas de puntos múltiples (Mariethoz y Caers, 2014) podrían
reproducir las relaciones de contacto deseadas, pero su implementación se
5. Discusión y conclusiones vería comprometida por la falta de una imagen de entrenamiento
representativa del diseño del tipo de roca y por la no estacionariedad de su
El modelo plurigaussiano propuesto para simular tipos de rocas permite distribución espacial (recuerde la discusión en la Sección3.2).
reproducir (1) las relaciones de contacto entre dominios de tipos de rocas,
(2) las proporciones locales de estos dominios (como se infiere del modelo Asimismo, la simulación de las leyes, pérdidas por ignición y
litológico interpretado), (3) su continuidad espacial, y (4 ) los datos granulometría no estuvo exenta de dificultades, empezando por sus
observados en las ubicaciones de los pozos de perforación. La clave es el uso relaciones de dependencia mutua (como lo atestiguan sus
de una regla de truncamiento multidimensional y algoritmos eficientes para correlaciones cruzadas y la fórmula de cierre estequiométrico), así
el muestreo y la simulación de Gibbs. Pocos otros enfoques geoestadísticos como sus complejas relaciones de dependencia con los tipos de roca.
pueden presumir de tal versatilidad. Por ejemplo, simulación de indicadores corroborado por el dominio geológico propuesto en la Sección4.2.
secuenciales (Alabert, 1987) no logra imponer la relación de contacto. Reproducir estas relaciones requiere un modelo versátil (aquí,
350 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351

multigaussiano) y un algoritmo de simulación multivariado eficiente

(bandas de giro espectral), sin el cual la construcción de resultados no
habría sido práctica. Se podrían haber utilizado algunos algoritmos
alternativos, por ejemplo, factorización mediante análisis de
componentes principales (Wackernagel, 2003), análisis de componentes
independientes (Tercan y Sohrabian, 2013), factores de autocorrelación
mínimo/máximo (Boucher y Dimitrakopoulos, 2009; Rondón, 2012) o
análisis de corregionalización (Wackernagel, 2003; Emery y Ortiz, 2012;
Emery y Peláez, 2012), a costa de simplificaciones en el modelado de
coregionalización y dificultades en el manejo de datos heterotópicos
(aunque están correlacionados cruzadamente, las variables no están
definidas en los mismos dominios). Por el contrario, debido al elevado
número de variables (22) y su diseño heterotópico, las técnicas de
simulación basadas en simulación en cascada (Almeida y Journal, 1994),
transformaciones condicionales paso a paso (Leuangthong y Deutsch,
2003) o variables supersecundarias (Babak y Deutsch, 2009; Boisvert y
otros, 2013) no sería aplicable aquí. Más allá de esta diversidad de
algoritmos de simulación, hasta donde saben los autores, no existe
ninguna alternativa práctica al modelo multigaussiano para un
problema de simulación tan altamente multivariado.
Como conclusión, el problema planteado en este artículo fue bastante
desafiante, ya que implicó el modelado conjunto de variables
corregionalizadas de diferentes naturalezas (nominales y cuantitativas)
Figura 12.Resultados de validación cruzada para la simulación de variables cuantitativas. vinculadas por complejas relaciones de dependencia. La jerarquía propuesta

Figura 13.Cierre estequiométrico para (A) la región mineral general, (B) un bloque siempre simulado como itabirita rica en manganeso (MNI), (C) un bloque siempre simulado como itabirita anfibólica
(IA), y (D) un bloque siempre simulado como canga (CG).
 N. Mery y col. / Reseñas de geología del mineral 88 (2017) 336–351 351

Tabla 12
Valores esperados y límites de confianza para recursos de hierro recuperables sujetos a P < 0,075% y Al2oh3< 2%

Grado de corte de hierro Fracción de volumen Grado medio de hierro (%)

(%Fe)
Mínimo más de 20 Máximo más de 20 Promedio superior a 20 Mínimo más de 20 Máximo más de 20 Promedio superior a 20

resultados resultados resultados resultados resultados resultados

40 0,421 0.460 0.445 48,6 49.1 48,8

45 0.250 0.267 0,259 53.2 53,6 53.3
50 0,131 0,141 0,136 58,6 58,9 58,7
55 0,085 0.091 0,088 62.3 62,4 62,4

Este enfoque resolvió con éxito este problema, basándose en una Deutsch, CV, 1997. Evaluación directa de la exactitud y precisión local. En: Baafi, EY,
Schofield, NA (Eds.), Geostatistics Wollongong' 96. Kluwer, Dordrecht, págs. 115-125.
combinación de modelos plurigaussianos y multigaussianos que ofrece una
flexibilidad inigualable, y en la elección de algoritmos de simulación Dorr, JVN, 1964. Minerales de hierro supergénicos de Minas Gerais, Brasil. Economía. Geol. 59 (7),
eficientes para abordar las dificultades numéricas planteadas por el gran 1203-1240.
Emery, X., 2007. Simulación de dominios geológicos utilizando el modelo plurigaussiano:
número de variables, datos y ubicaciones objetivo de la simulación. De
nuevos desarrollos y programas informáticos. Computadora. Geociencias. 33 (9), 1189-1201.
particular interés es el dominio geológico sugerido, que implica que una
variable puede evolucionar continuamente a través de un límite de tipo de Emery, X., 2010. Algoritmos iterativos para ajustar un modelo lineal de corregionalización.
Computadora. Geociencias. 36 (9), 1150-1160.
roca, mientras que otra variable puede ser discontinua al cruzar el mismo
Emery, X., Ortiz, JM, 2012. Análisis de corregionalización mejorado para simular
límite, aunque las correlaciones cruzadas espaciales no desaparecen entre campos aleatorios gaussianos vectoriales. Computadora. Geociencias. 42, 126-135.
ambos lados de este límite. Desde un punto de vista puramente geológico, Emery, X., Peláez, M., 2012. Reducir el número de factores ortogonales en lineales
esta característica tiene sentido ya que los controles geológicos no son los modelación de corregionalización. Computadora. Geociencias. 46, 149-156.
Emery, X., Arroyo, D., Peláez, M., 2014. Simulando grandes vectores aleatorios gaussianos
mismos para todas las variables. Por ejemplo, las leyes de hierro y sílice sujeto a restricciones de desigualdad por muestreo de Gibbs. Matemáticas. Geociencias. 46 (3),
dependen principalmente de si el tipo de roca predominante es hematita o 265-283.
itabirita, mientras que la granulometría depende de si el tipo de roca Emery, X., Arroyo, D., Porcu, E., 2016. Un algoritmo mejorado de bandas de giro espectral
para simular campos aleatorios gaussianos vectoriales estacionarios. Estoco. sobre Res. Evaluación de
predominante es compacta o friable.
riesgos. 30 (7), 1863–1873.
Otros temas de investigación incluyen la posibilidad de correlacionar los Freulon, X., 1994. Simulación condicional de un vector aleatorio gaussiano con
campos aleatorios gaussianos.Y1, . . .,Y6utilizado en el modelado observaciones no lineales y/o ruidosas. En: Armstrong, M., Dowd, PA (Eds.),
Simulaciones geoestadísticas. Kluwer, Dordrecht, págs. 57–71.
plurigaussiano, o para correlacionar estos campos aleatorios con los
Goovaerts, P., 2001. Modelado geoestadístico de la incertidumbre en la ciencia del suelo.
utilizados para simular las variables cuantitativas (z1, . . .,z6). También Geoderma 103 (1–2), 3–26.
podrían investigarse modelos de cambio de soporte, ya que en el enfoque Goulard, M., Voltz, M., 1992. Modelo de coregionalización lineal: herramientas de estimación
y elección de la matriz de variogramas cruzados. Matemáticas. Geol. 24 (3), 269–286.
propuesto los resultados deben construirse sobre un soporte puntual
Jones, P., Douglas, I., Jewbali, A., 2013. Modelado geológico y de grado combinado
porque z1, . . .,z6no son aditivos. Alternativamente, el cambio de soporte se Incertidumbre: aplicación de simulación de puntos múltiples en el depósito de oro de
puede realizar simulando en una cuadrícula de discretización fina y luego Apensu, Ghana. Matemáticas. Geociencias. 45 (8), 949–965.
promediando las variables simuladas en cada bloque. Kyriakidis, PC, Deutsch, CV, Grant, ML, 1999. Cálculo de las puntuaciones normales
Variograma utilizado para la simulación de litofacies gaussianas truncadas: teoría y código
FORTRAN. Computadora. Geociencias. 25 (2), 161-169.
Expresiones de gratitud Le Loc'h, G., Galli, A., 1997. Método plurigaussiano truncado: teórico y
puntos de vista prácticos. En: Baafi, EY, Schofield, NA (Eds.), Geostatistics
Wollongong' 96. Kluwer, Dordrecht, págs..
Este trabajo contó con el apoyo de VALE SA, a través del proyecto Leuangthong, O., Deutsch, CV, 2003. Transformación condicional gradual para
''Cosimulación geoestadística de leyes y tipos de rocas para evaluación simulación de múltiples variables. Matemáticas. Geol. 35 (2), 155-173. Leuangthong,
de recursos de hierro”, por la Fundación COPEC-UC, a través del O., McLennan, JA, Deutsch, CV, 2004. Criterios mínimos de aceptación
para realizaciones geoestadísticas. Nat. Recurso. Res. 13 (3), 131-141.
proyecto 2014.J.057, y por la Comisión Chilena de Estudios Científicos y
Maleki, M., Emery, X., 2015. Simulación conjunta de ley y tipo de roca en un estrato
Investigación Tecnológica, a través del Proyecto CONICYT PIA Anillo depósito de cobre. Matemáticas. Geociencias. 47, 471–495.

ACT1407. Maleki, M., Emery, X., Cáceres, A., Ribeiro, D., Cunha, E., 2016. Cuantificar la
Incertidumbre en la disposición espacial de los dominios de tipo de roca en un depósito de mineral de hierro.
Computadora. Geociencias. 20 (5), 1013-1028.
Referencias Mariethoz, G., Caers, J., 2014. Geoestadística de puntos múltiples: modelado estocástico
Con Imágenes De Entrenamiento. Wiley, Nueva York.
Alabert, F., 1987. Imágenes estocásticas de distribuciones espaciales utilizando tecnologías duras y blandas. Roldão, D., Ribeiro, D., Cunha, E., Noronha, R., Madsen, A., Masetti, L., 2012.
información (tesis de maestría no publicada). Universidad Stanford. Almeida, AS, Uso combinado de simulaciones litológicas y de ley para análisis de riesgo en mineral
Journal, AG, 1994. Simulación conjunta de múltiples variables con un de hierro, Brasil. En: Abrahamsen, P., Hauge, R., Kolbjørnsen, O. (Eds.), Geostatistics
Modelo de corregionalización tipo Markov. Matemáticas. Geol. 26 (5), 565–588. Armstrong, Oslo 2012. Springer, Berlín, págs..
M., Galli, A., Beucher, H., Le Loc'h, G., Renard, D., Doligez, B., Eschard, R., Rondon, O., 2012. Material didáctico: factores de autocorrelación mínimo/máximo para
Geffroy, F., 2011. Simulaciones plurigaussianas en geociencias. Springer, Berlín. Simulación conjunta de atributos. Matemáticas. Geociencias. 44 (4), 469–504.
Babak, O., Deutsch, CV, 2009. Cokriging colocado basado en secundaria fusionada Rossi, ME, Deutsch, CV, 2014. Estimación de recursos minerales. Springer, Dordrecht. Talebi, H.,
atributos. Matemáticas. Geociencias. 41 (8), 921–926. Sabeti, EH, Azadi, M., Emery, X., 2016. Cuantificación del riesgo con combinación
Beucher, H., Galli, A., Le Loc'h, G., Ravenne, C., 1993. Incluyendo una tendencia regional en uso de simulaciones litológicas y de ley: aplicación a un depósito de pórfido de cobre.
Modelado de yacimientos utilizando el método Gaussiano truncado. En: Soares, A. (Ed.), Mineral Geol. Apocalipsis 75, 42–51.
Geostatistics Tróia' 92. Kluwer, Dordrecht, págs. 555–566. Tercan, AE, Sohrabian, B., 2013. Simulación geoestadística multivariada de carbón
Boisvert, JB, Rossi, ME, Ehrig, K., Deutsch, CV, 2013. Modelado geometalúrgico datos de calidad por componentes independientes. En t. J. Carbón Geol. 112, 53–66.
en la mina Olympic Dam, Australia del Sur. Matemáticas. Geociencias. 45 (8), 901–925. Wackernagel, H., 2003. Geoestadística multivariada: una introducción con
Boucher, A., Dimitrakopoulos, R., 2009. Simulación de bloques de múltiples correlacionados Aplicaciones. Springer, Berlín.
variables. Matemáticas. Geociencias. 41 (2), 215–237. Yunsel, TY, Ersoy, A., 2011. Modelado geológico de depósito de oro basado en ley
Chilès, JP, Delfiner, P., 2012. Geoestadística: modelización de la incertidumbre espacial. wiley, Dominio utilizando la técnica de simulación plurigaussiana. Nat. Recurso. Res. 20 (4),
Nueva York. 231–249.