Modelo geometalúrgico para optimizar la estimación de recursos minerales en depósitos tipo pórfidos cupríferos

Abstract

La industria minera afronta desafíos asociados a la incertidumbre geológica y de procesamiento en los depósitos a causa de la variabilidad en sus atributos geometalúrgicos, lo que afecta notablemente la etapa de exploración e incrementa el riesgo de un proyecto minero. Por lo tanto, se elaboró un modelo geometalúrgico para optimizar la estimación de recursos minerales en depósitos tipo pórfidos cupríferos, considerando como variables primarias la litología, zonas de mineralización, ley de cobre total “CuT”, resistencia a la compresión uniaxial de la roca “UCS” y como variable de respuesta el índice de trabajo del molino de bolas de Bond “BWi” de un depósito ubicado en Perú; cuyo análisis e interpretación se realizó en los software Jupyter Notebook, RecMin y SGeMS. El desarrollo de la estimación consistió en análisis exploratorio de datos, definición de dominios, transformación de CuT, modelo de bloques, estimación de CuT mediante Kriging Ordinario, cuantificación y categorización de recursos. Mientras que, para la elaboración del modelo geometalúrgico se consideró al BWi y UCS como variable objetivo y predictora respectivamente; luego se efectuó su análisis exploratorio, definición de UGM’s, modelo de regresión entre BWi y UCS, anamorfosis y Simulación Secuencial Gaussiana del BWi aplicando Kriging Simple. Consecuentemente se ha cuantificado para el depósito mineral un total de 178,020,200 t a una ley media de CuT igual a 0.21%. Además, los resultados reflejan que existe relación directa y lineal entre BWi y UCS lo cual ha permitido generar modelos con rendimientos admisibles, teniendo 𝑅2 entre 0.76 a 0.90 y por medio de los cuales se obtuvieron nuevas muestras que consolidaron la base de datos con la cual se simuló al BWi. Asimismo, se establece que la litología constituye un atributo geológico vinculado con la variabilidad en la conminución, puesto que, se visualiza en una misma zona mineral que el BWi fluctúa de acuerdo a la clase de roca. De esta manera se optimizó la estimación de recursos al añadir al modelo de bloques tradicional una variable secundaria para obtener finalmente un modelo de bloques geometalúrgico compuesto de CuT, litologías, zonas de mineralización e BWi.