Zugl.: Bremen, Univ., Diss., 2007

University, Diss--Paderborn, 2004.

Zugl.: Frankfurt (Main), Univ., Diss., 2008

Brandenburgische Techn. Universiẗat, Diss., 2001--Cottbus.

Techn. University, Diss., 2001--Berlin.

Techn. Hochsch., Diss., 2001--Aachen.

Techn. University, Diss., 2003--Berlin.

University, Diss., 2002--Saarbrücken.

Essa tese investiga três problemas: (1) o uso de dados de diferente suporte em geoestatística, (2) simulação multivariada com restrições e (3) verificação da distribuição multivariada. Quando as amostras tem suporte diferente, essa diferença de suporte precisa ser considerada para construir um modelo de teores. A tese propõe a krigagem utilizando covariâncias médias entre as amostras para considerar dados de diferente suporte. A metodologia é comparada com dois métodos: (1) krigagem utilizando covariâncias pontuais entre os dados e (2) o método indireto. A krigagem utilizando covariâncias pontuais entre os dados ignora a diferença de suporte entre os dados. O método indireto trabalha com a variável acumulação, em vez do teor original. A krigagem com covariâncias médias resultou em estimativas mais precisas do que os outros dois métodos. Depósitos minerais multivariados frequentemente têm variáveis que contém restrições de fração e soma. As restrições de fração ocorrem quando uma variável é parte da outra, como a Alumina Aproveitável e Alumina Total em um depósito de bauxita. A Alumina Aproveitável não pode ser maior do que a Alumina Total. Restrições de soma ocorrem quando a soma das variáveis não pode exceder um valor crítico. Por exemplo, a soma de teores não pode ser maior do que cem. A tese desenvolve uma metodologia para cosimular teores com restrições de soma e fração. As simulações reproduzem os histograms, variogramas e relações multivariadas e honram as restrições de soma e fração. As simulações geoestatísticas multivariadas devem reproduzir as relações entre as variáveis. Dentro desse contexto, essa tese investiga a verificação da distribuição multivariada de simulações geoestatísticas. A tese desenvolve uma métrica de distância entre a distribuição multivariada dos dados e das simulações. A métrica desenvolvida foi efetiva para detectar erro e viés. Além disso, a métrica foi usada para comparar métodos de simulação geoestatística multivariada. / This thesis investigates three problems: (1) use of data of different support in geostatistics, (2) multivariate simulation with constraints and (3) verification of the multivariate distribution. When the samples have different support, this difference in support must be considered to build a grade model. The thesis proposes kriging with average covariances between the data to consider data of different support. The methodology is compared with two methods: (1) kriging using point support covariances between the data and (2) the indirect approach. Kriging using point support covariances between the data ignores the difference in support between the data. The indirect approach works with the variable accumulation, instead of the original grade. Kriging with average covariances resulted in more precise estimates than the other two methods. Multivariate mineral deposits often have variables that contain fraction and sum constraints. Fraction constraints occur when a variable is a fraction of the other, such as Recoverable and Total Alumina in a bauxite deposit. The Recoverable Alumina must not exceed Total Alumina. Sum constraints occur when the sum of the variables must not exceed a critical threshold. For instance, the sum of grades must not be above one hundred in a mineral deposit. The thesis develops a methodology to cosimulate grades with sum and fraction constraints. The simulations reproduce the histograms, variograms and multivariate relationships and honor the sum and fraction constraints. Multivariate geostatistical simulations should reproduce the relationships between the variables. In this context, the thesis investigates the verification of the multivariate distribution of geostatistical simulations. The thesis develops a metric to measure the distance between the multivariate distributions of the data and the simulations. The metric developed was effective to detect error and bias. Moreover, the metric was used to compare multivariate simulation methods.

Essa tese investiga três problemas: (1) o uso de dados de diferente suporte em geoestatística, (2) simulação multivariada com restrições e (3) verificação da distribuição multivariada. Quando as amostras tem suporte diferente, essa diferença de suporte precisa ser considerada para construir um modelo de teores. A tese propõe a krigagem utilizando covariâncias médias entre as amostras para considerar dados de diferente suporte. A metodologia é comparada com dois métodos: (1) krigagem utilizando covariâncias pontuais entre os dados e (2) o método indireto. A krigagem utilizando covariâncias pontuais entre os dados ignora a diferença de suporte entre os dados. O método indireto trabalha com a variável acumulação, em vez do teor original. A krigagem com covariâncias médias resultou em estimativas mais precisas do que os outros dois métodos. Depósitos minerais multivariados frequentemente têm variáveis que contém restrições de fração e soma. As restrições de fração ocorrem quando uma variável é parte da outra, como a Alumina Aproveitável e Alumina Total em um depósito de bauxita. A Alumina Aproveitável não pode ser maior do que a Alumina Total. Restrições de soma ocorrem quando a soma das variáveis não pode exceder um valor crítico. Por exemplo, a soma de teores não pode ser maior do que cem. A tese desenvolve uma metodologia para cosimular teores com restrições de soma e fração. As simulações reproduzem os histograms, variogramas e relações multivariadas e honram as restrições de soma e fração. As simulações geoestatísticas multivariadas devem reproduzir as relações entre as variáveis. Dentro desse contexto, essa tese investiga a verificação da distribuição multivariada de simulações geoestatísticas. A tese desenvolve uma métrica de distância entre a distribuição multivariada dos dados e das simulações. A métrica desenvolvida foi efetiva para detectar erro e viés. Além disso, a métrica foi usada para comparar métodos de simulação geoestatística multivariada. / This thesis investigates three problems: (1) use of data of different support in geostatistics, (2) multivariate simulation with constraints and (3) verification of the multivariate distribution. When the samples have different support, this difference in support must be considered to build a grade model. The thesis proposes kriging with average covariances between the data to consider data of different support. The methodology is compared with two methods: (1) kriging using point support covariances between the data and (2) the indirect approach. Kriging using point support covariances between the data ignores the difference in support between the data. The indirect approach works with the variable accumulation, instead of the original grade. Kriging with average covariances resulted in more precise estimates than the other two methods. Multivariate mineral deposits often have variables that contain fraction and sum constraints. Fraction constraints occur when a variable is a fraction of the other, such as Recoverable and Total Alumina in a bauxite deposit. The Recoverable Alumina must not exceed Total Alumina. Sum constraints occur when the sum of the variables must not exceed a critical threshold. For instance, the sum of grades must not be above one hundred in a mineral deposit. The thesis develops a methodology to cosimulate grades with sum and fraction constraints. The simulations reproduce the histograms, variograms and multivariate relationships and honor the sum and fraction constraints. Multivariate geostatistical simulations should reproduce the relationships between the variables. In this context, the thesis investigates the verification of the multivariate distribution of geostatistical simulations. The thesis develops a metric to measure the distance between the multivariate distributions of the data and the simulations. The metric developed was effective to detect error and bias. Moreover, the metric was used to compare multivariate simulation methods.