Simulación condicional aplicada a la estimación de recursos minerales

• Autor: Lupaca Huanacuni, Ubermain
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/19673
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/19673
• Nivel de acceso: acceso abierto
• Materia: Simulación condicional Gaussiana; Estimación; Geoestadística; https://purl.org/pe-repo/ocde/ford#1.05.06

Para estimar recursos minerales nos apoyamos en técnicas geoestadísticas, principalmente en los métodos tradicionales (Interpolación por el más cercano vecino e Inverso de la distancia) y las técnicas de Kriging (Kriging Ordinario y Kriging Simple), pero estos métodos y técnicas presentan ciertas limitaciones, no consideran la variabilidad real de las leyes, por lo tanto no representan a los valores cercanos a la realidad generando incertidumbre en la etapa de estimación, entonces, se recurre a la técnica de simulación condicional Gaussiana, que busca reproducir la variabilidad real de la leyes. El presente trabajo de investigación tiene por objetivo determinar la manera de cómo contribuye la técnica geoestadística de simulación condicional Gaussiana al compararla con las técnicas de Kriging y los métodos tradicionales. Para poder desarrollar los objetivos planteados en este trabajo de investigación se utilizó un conjunto de muestras históricas obtenidas entre los años 2007 y 2012 (leyes de Oro y Plata) del proyecto minero IGOR 2012 (Veta Callanquitas) que se ubica en el departamento de la Libertad. Esta investigación es de carácter descriptivo - deductivo, donde el proceso para su desarrollo comprende: el estudio exploratorio de datos, la compositación, el desagrupamiento, la anamorfosis Gaussiana, el análisis variográfico, estimación de los recursos mediante las distintos métodos y técnicas, finalmente, el post procesamiento de los resultados. Los resultados muestran que los modelos de recursos estimados por las metodologías tradicionales y las técnicas de Kriging son muy geométricos y no representan correctamente la variabilidad de las leyes. Los escenarios de recursos generados a partir de la técnica de Simulación condicional Gaussiana no muestran suavizamiento y reproducen mucho mejor la variabilidad de los datos verdaderos, además permitió generar distintos escenarios. Sin embargo, es un proceso lento y riguroso que requiere de mucho esfuerzo computacional.