Descubrimiento de unidades geometalúrgicas por medio de análisis de conglomerados geoestadístico

Abstract

El modelamiento geometalúrgico de depósitos minerales está basado en el análisis de variables regionalizadas cuantitativas y cualitativas de origen metalúrgico, geológico u otros relacionados. El objetivo de este modelamiento es identificar y delimitar dominios que particionen el depósito mineral, de tal forma que los datos pertenecientes a un mismo dominio posean características similares. Estos dominios son llamados Unidades Geometalúrgicas (U.G.). Actualmente, las herramientas disponibles para identificar estas unidades no incorporan toda la información disponible, en particular, éstas no consideran la naturaleza de las variables de estudio, las que están distribuidas en el espacio y presentan una estructura de correlación espacial. Se presentaron dos propuestas que buscaron resolver este problema incorporando la distribución espacial de los datos, basándose en el Análisis de Conglomerados Jerárquicos y en la teoría de Mezclas de Distribuciones. Se presentó un marco conceptual que resumió las técnicas utilizadas para la definición de Unidades Geometalúrgicas, mostrando las variantes de cada herramienta y la teoría básica de cada método. Las propuestas se basaron en casos sintéticos que reprodujeran la naturaleza de cada problema y se aplicaron a casos de estudio reales con información geoquímica, metalúrgica y geológica. En los casos de datos simulados (estudios de casos sintéticos), fue posible realizar un análisis de sensibilidad de las propuestas postulando escenarios con diferentes complejidades. En gran parte de las simulaciones las propuestas pudieron descubrir con precisión la distribución de las Unidades Geometalúrgicas. En los casos de estudio reales Minera Escondida y Geoquímica del sector Colchane , las Unidades Geometálurgicas pudieron ser identificadas y validadas en base a descripciones geológicas de las regiones de interés. Se discutieron las ventajas de las propuestas por sobre los métodos y algoritmos tradicionales, así como diferentes oportunidades de mejoras futuras.