Estimacion de Recursos con Leapfrog EDGE – Parte I

Estimación de recursos minerales

La estimación de recursos es el proceso utilizado por las compañías mineras y de exploración para definir la ley y el tonelaje de la mineralización in situ de un depósito.

Hay varios pasos involucrados en el proceso de estimación de recursos, desde la recopilación inicial de datos y los procedimientos de QA/QC, el modelado geológico y el análisis geoestadístico, el modelado de bloques, la estimación de bloques y, finalmente, la validación y generación de informes.

Objetivos

El objetivo final de la estimación de recursos es combinar la interpretación geológica cualitativa del depósito (modelo geológico) con los datos cuantitativos escasamente muestreados (análisis geoestadístico de ley, anisotropía, etc.) para crear predicciones espaciales para la distribución de la mineralización.

La calidad de una estimación de recursos depende, en gran medida, de la calidad de los datos de entrada, la comprensión del entorno geológico que alberga el depósito y la habilidad técnica y experiencia general del estimador de recursos

TEMARIO – PARTE 1

1.PREPARACIÓN DE DATOS

1. Errores de muestreo
2. Duplicados y estándares

2.INTEGRIDAD DE LA BASE DE DATOS

1.Manejo de la base de datos

2.Validación de datos

1. 1. Collar
   2. Survey
   3. Muestras duplicadas
   4. Intervalos superpuestos
   5. Valores negativos
   6. Valores cero
   7. Valores no numéricos
   8. Intervalos faltantes

3. ANALISIS EXPLORATORIO DE DATOS

1. Estadística
2. Composición
3. Gráficos
4. Scatter Plot
5. QQ plot
6. Box Plot

4.MODELO GEOLOGICO

1. Creación de modelo geológico simple
2. Creación de modelos de intrusión
3. Dominios

Flujo de Trabajo – Estimación de Recursos

1. Análisis Exploratorio de Datos
2. Selección de Dominio
3. Variografía y estimación
4. Modelos de Bloques
5. Validación y Reportes

Análisis exploratorio de Datos – EDA

Objetivos

• Familiarización con la base de datos
• Detectar errores
• Validación de dominio

Para ello usa:

• Estadísticas univariadas
• Estadísticas bivariadas
• Compositación
• Top Cutting/capping
• Declustering

Compositación

• Las muestras con longitudes variables pueden introducir un sesgo en los datos
• Diferente tamaño de muestra – diferente variabilidad – diferente población
• Muestras compositadas para que tengan las mismas longitudes, y por lo tanto ponderación, para aliviar el sesgo potencial de muestras aisladas de alta ley.