Spelling suggestions: "subject:"simulación secuencia"" "subject:"emulación secuencia""
1 |
Kriging y simulación secuencial de indicadores con proporciones localmente variablesFrez Ríos, Tamara January 2014 (has links)
Ingeniera Civil de Minas / En la actualidad, los modelos geológicos son generalmente construidos de modo determinístico, imposibilitando la cuantificación de la incertidumbre asociada. Si bien en la minería se le da mayor enfoque a variables continuas como las leyes minerales, un estudio previo de variables categóricas provee subdivisiones con mayor homogeneidad geológica y estadística. Además se es capaz de agregar información importante sobre procesos mineros posteriores.
El kriging de indicadores con proporciones localmente variables posee una limitante teórica que se pretende mejorar con este estudio. Este método utiliza sólo un variograma global para cada indicador. Dada la influencia que se tiene de las medias de los indicadores sobre su varianza, la meseta del variograma varía con esta media, lo que no se está considerando. Se propone un método que sí considere estas variaciones, utilizando una variable indicador transformada, más específicamente, a la variable indicador se le resta su media variable para centrar en cero, y además se estandariza para eliminar el efecto del cambio de varianza.
El análisis se lleva a cabo a través de dos casos de estudio. El primer estudio consta de la estimación por kriging de indicadores tradicional y con la mejora propuesta, sobre una base de datos sintética con un indicador. A este caso también se le realiza un análisis de sensibilidad para revisar los resultados. El segundo caso de estudio consta de la simulación secuencial de indicadores sobre una base de datos real de una veta, contando con información de un muestreo por canales. Se comparan ambas metodologías y se validan los modelos a través de jack-knife.
De las estimaciones resultantes del primer caso, se hace un estudio de los errores promedio y varianza del kriging promedio. Los resultados para ambas metodologías son similares, a excepción de la varianza del kriging, la cual para el método propuesto presenta menores valores y una alta influencia de la media del indicador. Este resultado se mantiene a pesar de disminuir los datos muestreados y cambiar el variograma de los datos sintéticos.
Las simulaciones del caso de estudio real, en ambas metodologías, resultaron similares. De acuerdo a un análisis de errores cuadráticos, se simularon más bloques con menor error para la metodología propuesta que en la tradicional. Mediante un jack-knife se validan los modelos y se comparan sus porcentajes de aciertos. Ambas metodologías poseen porcentajes de aciertos iguales, incluso con distintos modelos variográficos.
En conclusión, si bien el método propuesto muestra mejoras respecto al método tradicional, estas no son lo suficientemente significativas como para declararlo mejor método. Ambas metodologías presentan resultados de alto porcentaje de acierto, pero entre sí son muy similares. A pesar de esto, el nuevo método presenta las ventajas de tener mayor respaldo teórico, menores tiempos de simulación y una mejor cuantificación de los errores de estimación a través de la varianza del kriging.
|
2 |
Simulación secuencial gaussiana no estacionaria de leyesMartínez Fernández, Yerko January 2014 (has links)
Magíster en Minería / Ingeniero Civil de Minas / El presente trabajo corresponde al desarrollo de una herramienta que permite simular valores de una variable regionalizada considerando que tales valores tienen una variación sistemática en el espacio. En este contexto, se desarrolla una nueva herramienta de simulación consistente en un algoritmo de simulación Gaussiana secuencial con rechazo considerando una deriva de referencia como input, bajo la hipótesis que esta herramienta permite respetar tal deriva, obteniendo resultados representativos de la base de datos en cuanto a sus estadísticos de orden 1 (histograma) y orden 2 (variograma). La metodología del algoritmo comienza definiendo la secuencia de visitas de nodos a simular de manera aleatoria. Se acepta o rechaza el nodo simulado en base a la deriva de referencia considerando un rechazo determinístico o probabilístico y una tolerancia dinámica. Para cada nodo se considera una vecindad de búsqueda de datos condicionantes para la simulación y una vecindad de búsqueda de datos para el cálculo de una media local simulada. El algoritmo permite ajustar el número aceptable de rechazos, el tamaño de la vecindad de búsqueda de la media local, la tolerancia y el tipo de rechazo.
Se presentan dos casos de estudio. El primero consiste en un ejemplo sintético de una coordenada con deriva lineal. En este primer caso se tiene que, a mayor tolerancia o mayor vecindad de búsqueda de la media local, los valores simulados se distribuyen con mayor dispersión en torno a la deriva de referencia. El segundo estudio de caso consiste en una zona de interés del yacimiento Compañía Minera Cerro Colorado donde se realiza el proceso de simulación en seis unidades de estimación considerando diecisiete sensibilizaciones de los parámetros del algoritmo más una simulación basada en Kriging Simple (SK) y otra basada en Kriging de residuos (BT). En el caso de presencia de deriva se obtiene en general mejores resultados con el algoritmo propuesto que con el SK o BT cuando la deriva se ve reflejada de manera clara en el variograma como en la unidad de estimación cuatro. Las estadísticas de validación en términos de desempeño de las simulaciones como estimación (coeficiente de determinación R2, pendiente de la regresión de datos reales versus simulados y error medio) y en términos de cuantificación de la incertidumbre de los datos originales (accuracy plot) mejoran en relación al SK y BT. De esta manera, la herramienta desarrollada ofrece una alternativa flexible que mejora los estadísticos de validación en comparación al enfoque tradicional frente a un escenario de simulación con presencia de deriva clara en el variograma.
|
3 |
Modelo Mejorado de Corto Plazo para Predecir la Variabilidad en la Ley de Alimentación a PlantaYarmuch Guzmán, Juan Luis January 2007 (has links)
Una de las principales interrogantes en la minería corresponde a la estimación del
recurso geológico que, en la etapa evaluativa, determina la cantidad de reservas y condiciona el
potencial económico del yacimiento. La predicción de corto plazo resulta problemática cuando
sólo se cuenta con datos de largo plazo.
El objetivo general del presente trabajo de título es diseñar y evaluar un algoritmo que
simule la extracción de un banco, prediciendo la variabilidad de la ley de alimentación a planta
para distintos modelos geoestadísticos. Para ello, se define una metodología para simular la
extracción y se implementa una rutina computacional acorde a la metodología propuesta.
La primera parte del trabajo consiste en una descripción del formalismo geoestadístico,
técnicas de estimación y simulación geoestadística. Además, se hace una revisión bibliográfica
de lo realizado en cuanto a planificación minera, modelos de leyes que incorporan información
de corto y largo plazo y estudios sobre simulación de la extracción. Se continúa presentando la
metodología desarrollada para simular la extracción de un banco minero y cómo se aplica ésta
para estudiar la capacidad de distintos métodos geoestadísticos de largo plazo para predecir la
variabilidad de alimentación a planta en el corto plazo. Finalmente, se desarrolla un caso de
estudio para aplicar la metodología propuesta, utilizando datos reales de una mina a cielo
abierto de cobre.
Si bien la metodología propuesta para simular la extracción resulta ser una solución
simplificada del problema, es capaz de reproducir los rasgos más importantes de la extracción
real.
Se concluye que la capacidad predictiva mostrada por kriging ordinario utilizando datos
de largo plazo es muy inferior a la capacidad predictiva expuesta por la simulación mediante el
método secuencial Gaussiano, con y sin incorporación de estadísticas de múltiples puntos.
Asimismo, el estudio no muestras pruebas concluyentes de una superioridad en la capacidad
predictiva entre la simulación secuencial Gaussiana tradicional y la simulación secuencial
Gaussiana que incorpora estadísticas de múltiples puntos.
|
Page generated in 0.0782 seconds