Escolar Documentos
Profissional Documentos
Cultura Documentos
Dissertação de Mestrado
Rio de Janeiro
Março de 2009
José Enrique Gutiérrez Ramírez
Ficha Catalográfica
Gutiérrez Ramírez, José Enrique
Aos meus pais, agradeço por todo o carinho e o incentivo que sempre me
proporcionaram, incondicionalmente.
À mineradora BATEAS SAC pela cessão dos dados utilizados nesse estudo, em
especial “a colaboração dos engenheiros Enrique Velarde e Arturo Salvador.
Palavras-chave
Krigagem ordinária. Modelagem 3D. Simulação sequencial Gaussiana.
Modelo de blocos.
Abstract
experimental samples is limited or not available at all. In this research the ordinary
kriging method was used for studies of spatial variability and the Gaussian
sequential simulation for analysis of the distribution of RQD values throughout the
rock mass. The results of both methods were compared with those calculated on
basis of a classical estimation technique - the method of the inverse of the squared
distances. It was concluded that the values obtained by ordinary kriging and the
classical method are quite similar between themselves but the results with
Gaussian simulation show significant differences in all the rock layers
investigated. In this research the following computational programs were used:
Datamine, for the geologic modeling, and Isatis v.7, for geostatiscal analyses.
Keywords
Ordinary kriging. 3D modeling. Gaussian sequential simulation. Block
model.
Sumário
1 . INTRODUÇÃO 17
1.1 Parâmetro RQD 19
1.2 Variabilidade espacial 21
1.3 Objetivos e estrutura da dissertação 23
4 . MODELAGEM 72
4.1. Banco de dados 73
4.2. Modelagem geométrica e amostragem 74
4.2.1. Metodologia da amostragem do parâmetro RQD 74
4.2.2. Critérios da modelagem geológica 79
4.3. Modelagem numérica 81
4.3.1. Malhas de blocos 82
4.3.2. Regularização 83
4.3.3. Modelagem numérica 86
4.3.4. Validação cruzada 92
4.3.5. Métricas para análises comparativas 94
Caracteres latinos
Cov - Covariância
PUC-Rio - Certificação Digital Nº 0711194/CA
C
AA - Covariância entre os pontos na área A
C
UV - Covariância entre as variáveis U e V
CV - Coeficiente de variação
DG - Desvio geométrico
MG - Média geométrica
si - Área poligonal
^
V - Valor estimado da variável V
~
VA - Valor estimado da área A
~
V dados ( x) - Valor estimado com krigagem simples
~
V sim - Valor simulado condicionado
~
V ucsim - Valor simulado não-condicionado
Var - Variância
X - Variável contínua
wi - Fatores de ponderação
Caracteres gregos
PUC-Rio - Certificação Digital Nº 0711194/CA
σ2 - Variância populacional
σ OK
2
- Variância da krigagem Ordinaria
σ R
2
- Variância dos erros da krigagem
σ SK
2
- Variância da krigagem simples
ρ(h) - correlograma
γ(h) - Função variograma
1.1
Parâmetro RQD
1.2
Variabilidade espacial
Barcelona (Espanha) e um túnel situado em Hong Kong (Mai Foo Station. Os autores
enfatizaram a grande utilidade prática da caracterização de maciços rochosos com
auxílio de métodos geoestatísticos.
Exadaktylos e Stavropoulou (2008) analisaram a variabilidade espacial de
parâmetros de maciço rochoso RMR implementando o método de krigagem ordinária
no programa computacional FLAC 3D. Correlacionando os valores estimados de RMR
com o módulo de elasticidade longitudinal e do coeficiente de Poisson, os autores
realizaram análises de tensão pelo método dos elementos finitos em várias formações
geológicas da Espanha, com resultados como aqueles ilustrados na figura 1.1.
Na literatura, muitas das análises envolvendo modelagem geológica e
geoestatística são executadas através de programas computacionais comerciais. Dentre
os mais populares, com suas características principais, listam-se os da tabela 1.1.
1.3
Objetivos e estrutura da dissertação
.
PUC-Rio - Certificação Digital Nº 0711194/CA
25
2.
LOCALIZAÇÃO, FISIOGRAFIA E GEOLOGIA
2.1.
Localização
2.2.
Relevo e clima
2.3.
Geologia
2.3.1.
Formação Sencca
A formação Sencca é composta por uma série de tufos vulcânicos, do tipo dacitico
a riolítico do Terciário Superior, estratificada em clastos vulcânicos. Nesta zona a
formação Sencca está em discordância angular, sobre o grupo Tacaza e sob o grupo
Barroso. Os tufos vulcânicos são do tipo efusivo e a cor varia do creme ao rosado. Na
montanha San Antonio a formação Sencca tem uma seqüência de tufos explosivos e de
cinza estratificada, observando-se na parte superior tufos compactados.
Petrograficamente as rochas desta formação classificam-se como tufos com textura
vitroclástica, piroclástica e brechóide.
2.3.2.
Grupo Tacaza
PUC-Rio - Certificação Digital Nº 0711194/CA
Formação Orcopampa
Formação composta por brechas e lavas vulcânicas cinzas verdes e roxas, de
composição geralmente andesítica e por tufos Lapilli. Segundo estudos geológicos
regionais, tem espessura média de 2.300 metros (Davila, 1988), embora na área em
estudo a espessura seja de apenas 1000 metros. Petrograficamente tem uma estrutura
brechóide, textura porfirítica com uma alta porcentagem de K-feldspato. A formação
Orcopampa encontra-se em discordância angular com as formações mesozóicas.
Formação Ichocollo
Esta formação caracteriza a última etapa do vulcanismo Tacaza,
fundamentalmente composta por lavas de dacitos, na base, e lavas andesíticas a
andesíticas-basálticas, na parte superior, variando de cor cinza a cinza escuro.
28
PUC-Rio - Certificação Digital Nº 0711194/CA
2.3.3.
Depósitos quaternários
2.3.4.
Geologia estrutural
A zona de pesquisa foi afetada pela fase Quechua da tectônica Andina, que afetou
as rochas do vulcânicas do grupo Tacaza em duas etapas: a primeira, de dobramento,
causando dobras amplas na direção NO-SE com mergulho de 10º a 20º devido à
subdução da placa de Nazca sob a placa continental (Figura 2-5 a), e a segunda de
fraturamento e falhamento, que deu origem a falhas transcorrentes e fraturas por tração
(Figura 2-5 b). As falhas transcorrentes têm direção NO-SE e NE-SO, as primeiras se
movimentando para a esquerda e as segundas para a direita, produzindo uma
PUC-Rio - Certificação Digital Nº 0711194/CA
2.3.5.
Gênese e tipo do depósito mineral
Em fins do Mioceno, após a fase Quechua, ocorreu uma forte erosão que gerou a
formação de uma paleo-superficie, e posteriormente o vulcanismo Sencca de tipo
Riolito-dacito. A seqüência da formação da caldeira está relacionada com os seguintes
eventos:
• Formação da anticlinal Cailloma-Chivay.
• Formação de falhas transcorrentes antes das rupturas da fase Quechua.
• Erupção e deposição da formação Sencca.
• Subsidência da caldeira Cailloma, que ocorreu ao final do vulcanismo Sencca, que
produziu um fraturamento na zona norte e sul da caldeira, regiões com a maior
concentração da mineralização.
• A intrusão de um dique ígneo (intrusão secante), principalmente riolita (etapa B
da Figura 2-4) ocorreu antes da ascensão dos fluidos hidrotermais da parte baixa
PUC-Rio - Certificação Digital Nº 0711194/CA
3.
METODOLOGIAS ESTATÍSTICAS E GEOESTATÍSTICAS
3.1.
Análise Estatística
3.1.1.
Estatística Descritiva
3.1.1.1.
Medidas de localização na distribuição
Moda. - Valor que ocorre com mais freqüência em um conjunto de dados, ou seja, o
valor mais comum. A moda pode não existir, e mesmo que exista, pode não ser única.
Se n é ímpar
M = X n +1 (3-2)
2
Se n é par
1
M = X n + X n (3-3)
2 2 2
+1
Quartis (Q1 Q2 Q3). - Da mesma forma que a mediana divide o conjunto de dados
ordenados em duas metades, os quartis o dividem em 4 partes iguais. São representados
PUC-Rio - Certificação Digital Nº 0711194/CA
3.1.1.2.
Medidas de dispersão
1
Q= (Q3 − Q1 ) (3-5)
2
35
3.1.1.3.
Medidas de forma
3
1 n ( X − m)
Assimetria = ∑ i 3 (3-6)
n i =1 σ
Assimetria positiva: com cauda da distribuição mais longa à direita do valor máximo,
tornando a mediana menor do que a média.
Assimetria negativa: se o inverso ocorrer.
Assimetria nula: io histograma é (aproximadamente) simétrico e a média e mediana
são (aproximadamente) coincidentes.
distribuições cujos valores sejam todos positivos e cuja assimetria seja também positiva.
σ
CV = (3-9)
m
m yi
MG = e (3-10)
σ yi
DG = e (3-11)
onde myi e σ yi são a média aritmética e o desvio padrão, respectivamente, dos dados
originais (Xi) transformados por:
yi = Ln( X i ) (3-12)
37
3.1.2.
Modelos de distribuição de probabilidades
3.1.2.1.
Modelos para variáveis discretas
Se uma variável X pode assumir um conjunto discreto de valores X1, X2, ..., Xn
com probabilidades p1, p2, ..., pn, sendo p1 + p2 + ...+ pn =1, diz-se que está definida
uma distribuição de probabilidades discreta de X. Como X pode assumir certos valores
com dadas probabilidades, esta é conhecida como variável aleatória discreta e a função
p(X) é denominada função de probabilidade.
Os principais modelos de distribuição de probabilidades para variáveis discretas
são:
PUC-Rio - Certificação Digital Nº 0711194/CA
Distribuição binomial
Proposta por Bernouilli no fim do século 17, esta distribuição corresponde aos
termos sucessivos do desenvolvimento, ou fórmula, binomial.
Se p é a probabilidade de um evento acontecer em tentativa única (probabilidade
de sucesso) e q = 1 - p é a de que o evento não ocorra em qualquer tentativa única
(probabilidade de fracasso), então a probabilidade do evento ocorrer k vezes em N
tentativas é dada por:
N!
p(k ) = pk q N −K (3-13)
k!(N - k )!
Distribuição de Poisson
Proposta por Poisson no começo do século XIX (equação 3.14), pode ser
considerada como um caso limite da distribuição binomial quando o número de
tentativas N for grande e a probabilidade p da ocorrência do evento for próxima de zero,
de modo que q= 1 - p tende para 1 (evento raro).
Na prática, um evento pode ser considerado raro quando N ≥ 50 com (N . p) < 5;
nestes casos, a distribuição binomial é muito próxima da distribuição de Poisson
considerando,
λ =N.p.
38
e − λ λX
p( X ) = (3-14)
X!
3.1.2.2.
Modelo para variáveis continuas
Distribuição normal
Uma das mais importantes distribuições contínuas de probabilidade é a
distribuição normal, ou distribuição de Gauss, definida pela equação:
PUC-Rio - Certificação Digital Nº 0711194/CA
2
1 X −µ
f (X ) = e − 0.5 (3-15)
σ 2Π σ
onde µ e σ representam a média e o desvio padrão da variável contínua X.
A distribuição binomial (discreta) pode ser aproximada pela distribuição normal
(contínua) quando N for grande e nem p ou q estiverem muito próximos de zero. À
medida que N aumenta, a assimetria e a curtose da distribuição binomial tendem para as
da distribuição normal, coincidindo no limite. Na prática a aproximação é boa para Np
> 5.
Distribuição lognormal
Quando o logaritmo da variável aleatória contínua segue o modelo da distribuição
normal, isto é
2
1 log X − µ
f (X ) = e − 0.5 (3-16)
σ 2Π σ
onde µ e σ representam a média e o desvio padrão dos logaritmos da variável
contínua X.
39
3.2.
Análise Geoestatística
3.2.1.
Funções aleatórias estacionárias
apenas da distância h entre elas, então a função V(x) é referida como função aleatória
estacionária.
Os comportamentos de funções aleatórias estacionárias são geralmente descritos
por três parâmetros, interrelacionados: o variograma γ (h), o correlograma ρ (h) e a
função de covariância C(h).
3.2.2.
Analises da variabilidade espacial
3.2.2.1.
~
Função covariância C v (h)
~
m significa a média aritmética entre valores observados e m corresponde à média dos
valores definidos como realizações de uma função aleatória, Os valores estimados em
pontos não-amostrados também serão distinguidos pelo símbolo ^ (acento circunflexo).
A função covariância, como o nome indica, representa a variação espacial entre
variáveis separadas pela distância h.
~
C v ( h) = Cov{V ( x).V ( x + h)} (3-17)
~
C v ( h) = E {V ( x).V ( x + h)} − E{V ( x)}.E {V ( x + h)} (3-18)
~
onde o valor esperado da variável aleatória E{V(x)} denota sua média m . Para funções
aleatórias estacionárias, E{V(x)}= E{V(x+h)}, resultando em
~
2
C v ( h) = E {V ( x).V ( x + h)} − E{V ( x)} (3-19)
3.2.2.2.
Função correlação ou correlograma
3.2.2.3.
~
Função variograma γ V (h)
PUC-Rio - Certificação Digital Nº 0711194/CA
~
1 1
γ v (h) = E {V 2 ( x)}− E{V ( x).V ( x + h)} + E{V 2 ( x + h)} (3-25)
2 2
{ } {
Considerando que para funções aleatórias estacionarias E V 2 ( x) = E V 2 ( x + h) , }
a expressão acima pode ser escrita como:
~
γ v (h) = E{V 2 ( x)}− E{V ( x).V ( x + h)} (3-26)
2
Adicionando e susbtraindo E {V (x)} ao segundo termo da equação,
~
[
γ v (h) = E {V 2 ( x)}− E{V ( x)}2 − E{V ( x).V ( x + h)} − E{V ( x)}2 ] (3-27)
~2 ~ 2
inicia em 0 aumentando até o valor máximo γ (∞) = σ . Normalmente os variogramas
são construídos ao longo das direções em que a variável apresenta maior e menor
continuidade espacial. Para obtê-los, vários variogramas direcionais são testados em
uma fase preliminar da definição do modelo geoestatístico.
~ ~ ~
Figura 3-1 Comportamento das medidas de correlação C (h), ρ (h), γ (h) de uma variável
aleatória V(x).
44
Características do variograma
Com base na Figura 3-2 abaixo são descritas as principais características de um
variograma
Isotropia
→
Um fenômeno diz-se isotrópico quando a magnitude do vetor h permanecer
constante, qualquer que seja a direção ( θ ) do vetor, e sua variabilidade é simétrica.
Neste caso é suficiente definir um variograma omnidirecional.
47
Anisotropia
Na natureza é muito raro encontrar um fenômeno isotrópico, sendo mais freqüente
os fenômenos anisotrópicos.
Anisotropia direcional (geométrica ou zonal) aparece quando os variogramas são
diferentes em distintas direções. Para obter a morfologia do fenômeno convém calcular
vários variogramas em diferentes direções. Existem dois grandes tipos de anisotropia:
Modelos variográficos
Nos métodos de estimativas e simulações geoestatísticas, valores de γ (h) ao
longo de direções e em distâncias para as quais não se dispõem de observações
experimentais serão requisitados. Daí, a necessidade de se adotar um modelo
48
~
variográfico γ (h) que melhor se ajuste ao comportamento espacial da variável
estudada.
Como os resultados das estimativas devem existir e serem únicos, o sistema de
equações lineares gerados pela krigagem necessita possuir uma matriz positivo-definida
que, por sua vez, impõe a condição de que modelos variográficos sejam construídos
com auxilio de funções positivo-definidas. Dentre os principais modelos podem ser
citados:
h h
3
~
(C )1.5 − 0.5 .......h ≤ a
γ (h) = a a (3-32)
C..................................h > a
~ 3h
γ (h) = C 1 − e a (3-33)
~ h
γ ( h ) = C 1 − e a (3-34)
PUC-Rio - Certificação Digital Nº 0711194/CA
3h 2
~
2
γ (h) = C 1 − e a (3-35)
~
À semelhança do modelo exponencial, o valor máximo γ (h) = C é atingido
assintoticamente. A amplitude variográfica prática (a) é definida na distância onde o
valor do variograma alcançar 95% do patamar.
O modelo Gaussiano apresenta um comportamento parabólico próximo à origem,
como também um ponto de inflexão da função.
Nos modelos esféricos, exponencial e gaussiano o efeito de pepita é, via de regra,
somando ao modelo variográfico como uma constante C0.
50
~ 0............................h = 0
γ (h) = (3-36)
C............................h > 0
PUC-Rio - Certificação Digital Nº 0711194/CA
Outros modelos
a) Modelo cúbico:
PUC-Rio - Certificação Digital Nº 0711194/CA
~ sen(h / a )
γ (h) = C 1 − (3-39)
(h / a)
c) Modelo Gama
~ 1
γ (h) = C 1 − α
(3-40)
(1 + (h / a ))
3.2.2.4.
Dessegregação de um conjunto de dados
∑ ( p .V )
i =1
i i
Média.Global.Estimada = n
(3-41)
∑pi =1
i
3.2.3.
Estimativas clássicas
3.2.3.1.
Distâncias Ponderadas (IQD)
Este método está baseado no fato que a influencia dos valores amostrais num
determinado ponto decrescem à medida que se afastam do ponto, de tal maneira que o
valor estimado varia de acordo com uma função inversa da distância.
PUC-Rio - Certificação Digital Nº 0711194/CA
Neste método o estimador do bloco V*s é uma combinação linear ponderada das
amostras vi. Os ponderadores λ são determinados pelas distâncias das amostras di, ao
centro do bloco. A menor distância do centro do bloco será o peso que se da à amostra.
n
vi
∑d β
i =1
V *s = i
(3-42)
n
1
∑d β
i =1 i
3.2.3.2.
Método da poligonal
PUC-Rio - Certificação Digital Nº 0711194/CA
∑ s .v i i
V*s = i =1
(3-43)
S
n
S = ∑ si (3-44)
i =1
bissetrizes através dos pontos médios dos ângulos formados com os pontos amostrais,
conforme Figura 3-10.
3.2.4.
Estimativas geoestatísticas
PUC-Rio - Certificação Digital Nº 0711194/CA
n
E{R ( x0 )} = E ∑ wi .V ( xi ) − E{V ( x0 )} (3-49)
i =1
n
E {R ( x0 )} = ∑ wi .E {V ( xi )} − E {V ( x0 )} (3-50)
i =1
n
E{R ( x0 )} = E{V } ∑ wi − 1 (3-52)
i =1
Gerando a condição para que o método de estimativa não apresente viés,
n
∑w
i =1
i =1 (3-53)
3.2.4.1.
Krigagem ordinária (OK)
^ ^
^
Var {R ( x0 )} = Cov V ( x0 ).V ( x0 ) − 2Cov V ( x0 ).V ( x0 ) + Cov{V ( x0 ).V ( x0 )} (3-56)
58
^ ^
^
Cov V ( x0 ).V ( x0 ) = Var V ( x0 ) (3-57)
Considerando que
^ n
V ( x0 ) = ∑ wi .V ( xi ) (3-58)
i =1
resulta em
^ ^
n
Cov V ( x0 ).V ( x0 ) = Var ∑ wi .V ( xi ) (3-59)
i =1
^ ^
n n
Cov V ( x0 ).V ( x0 ) = ∑∑ wi .w j .Cov{V ( xi ).V ( x j )} (3-60)
i =1 j =1
PUC-Rio - Certificação Digital Nº 0711194/CA
^ ^
~
n n
Cov V ( x0 ).V ( x0 ) = ∑∑ wi .w j .C ij (3-61)
i =1 j =1
O segundo termo da direita da equação ((3-56) pode ser escrito como
^ n
2Cov V ( x0 ).V ( x0 ) = 2Cov ∑ wi .V ( xi ) .V ( x0 )
i =1
^ n n
2Cov V ( x0 ).V ( x0 ) = 2 E ∑ wi .V ( xi ).V ( x0 ) − 2 E ∑ wiV ( xi ).E{V ( x0 )}
i=1 i=1
^
n
2Cov V ( x0 ).V ( x0 ) = 2∑ wi .[E {V ( xi ).V ( x0 )} − E {V ( xi )}.E {V ( x0 )}]
i =1
^ ~ n
2Cov V ( x0 ).V ( x0 ) = 2∑ wi .C i 0
i =1
Produz um sistema de (n+1) equações que pode ser expresso sob forma matricial
da seguinte maneira:
w C 10
~
~ ~
11
C ........... C 1n 1 1
~ ~ w ~
C 21 ............C 2 n 1 2 C 20
. .
.................... ..... .
......................... . = . (3-66)
. .
.................... .....
~ ~ . .
C n1 ..........C nn 1 wn ~
1.................1.0 C n 0
µ
1
ou
60
[C ][. W ] = [D]
3.2.4.2.
Krigagem Simples (SK)
PUC-Rio - Certificação Digital Nº 0711194/CA
n
E{R ( x0 )} = E λ0 + ∑ wi .V ( xi ) − E{V ( x0 )} (3-70)
i =1
n
E{R( x0 )} = λ0 + ∑ wi .E{V ( xi )} − E{V ( x0 )} (3-71)
i =1
n
E{R ( x0 )} = λ0 + ∑ wi .E{V ( xi )} − E{V ( x0 )} = 0 (3-72)
i =1
n ~ ~
E{R ( x0 )} = λ0 + ∑ wi . mi − m0 = 0 (3-73)
i =1
Logo,
61
~ n ~
λ0 = m 0 − ∑ wi . mi (3-74)
i =1
Na equação (3-68)
^ ~ n ~ n
V ( x0 ) = m 0 − ∑ wi . mi + ∑ wi .V ( xi ) (3-75)
i =1 i =1
ou
^ ~ n ~
V ( x0 ) = m 0 − ∑ wi .(V ( xi ) − m i ) (3-76)
i =1
(3-78)
i =1
^
^ ~
n
R( x0 ) = V ( x 0 ) − V ( x0 ) = ∑ wi . V ( xi ) − m i (3-79)
i=0
A variância do erro pode ser expressa, como vimos na krigagem ordinária, por:
n n ~
Var {R} = ∑∑ wi .w j .C ij (3-80)
i =0 i =0
~
C 00 = σ 2 é a variância da função aleatória V(x) .
As equações da krigagem simples são também conhecidas como equações de
regressão linear na estatística tradicional.
~
Na krigagem simples a média m deve ser conhecida antes da aplicação do
algoritmo para estimativa.
62
3.2.4.3.
Krigagem em bloco
[C ][. W ] = [D] . Observe que a matriz [C ]. , que contém as covariâncias entre os valores
amostrais, não depende da localização espacial da estimativa, seja ela considerada em
apenas um ponto (x0) ou sobre um volume A.
No caso do vetor [D ] , no entanto, as covariâncias dependem da posição (x0) da
estimativa.
No caso da estimativa envolver um valor médio da variável V(x) no volume A,
poderíamos escrever que:
~
~
C iA = Cov V A .V ( xi ) (3-84)
~
~ ~
C iA = E V A .V ( xi ) − E V A .E{V ( xi )} (3-85)
~ 1 k 1 k
C iA = E ∑ V ( x j ).V ( xi ) − E ∑ V ( x j ).E{V ( xi )} (3-86)
k j =1 k j =1
~ 1 k 1 k
C iA = ∑ E{V ( x j ).V ( xi )}− ∑ E{V ( x j )}.E{V ( xi )} (3-87)
k j =1 k j =1
~ 1 k
C iA =
k j =1
[
∑ E{V ( x j ).V ( xi )}− E{V ( x j )}.E{V ( xi )} ] (3-88)
~ 1 k
C iA = ∑ Cov(V ( xi ).V ( x j ))..............................V j ∈ A
k j =1
(3-89)
63
~
Na pratica, a covariância C AA é aproximada pela discretização do volume A em
PUC-Rio - Certificação Digital Nº 0711194/CA
~
2
vários pontos (k). Mas, é importante garantir que os valores de σ ok sejam sempre
~
positivos, por isso, os pontos utilizados para o cálculo da covariância C AA devem ser os
~
mesmos empregados na determinação das covariâncias ponto a bloco C iA .
3.2.5.
Incertezas Geoestatísticas
onde:
• Cov{V ( x0 ).V ( x0 )} - representa a variância do ponto estudado e considera, em
PUC-Rio - Certificação Digital Nº 0711194/CA
3.2.6.
Simulações Geoestatísticas
dos dados, enquanto que as estimativas são realizadas para determinar propriedades
médias.
A simulação reproduz o histograma e variograma dos dados originais, além de
estar condicionada aos dados. Por meio do condicionamento, quando uma variável é
simulada em uma região amostrada, a estimativa igualará exatamente o valor da
amostra. As simulações podem ser realizadas muitas vezes e em cada vez produzirá
superfícies diferentes. Cada uma das superfícies simuladas reproduz as características
conhecidas e modeladas dos dados, com cada superfície representando uma possível
imagem de como a variável se comportará espacialmente.
Em resumo, quando se quiser a melhor estimativa do valor de uma propriedade,
deve-se usar a krigeagem, mas quando se requer a informação da variabilidade, há que
criar simulações.
PUC-Rio - Certificação Digital Nº 0711194/CA
Fundamentos da simulação
Uma simulação geoestatística bem construída reproduzirá muita das
características originais dos dados. Algumas das características reproduzidas são:o
histograma dos dados, a correlação espacial dos dados e suas propriedades locais.
Existem muitos algoritmos para gerar uma simulação condicional, Porém, todos os
algoritmos relacionam-se em quatro etapas importantes (Figura 3-12). Iniciando com
uma serie de números aleatórios, impõe-se a correlação espacial. Os valores
correlacionados são “condicionados” aos dados reais e obrigados a se conformar à
distribuição dos dados originais.
68
PUC-Rio - Certificação Digital Nº 0711194/CA
3.2.6.1.
Simulação seqüencial gaussiana (SSG)
pela simulação, então os teores simulados são somadas ao grupo dos dados
condicionantes conforme são gerados (Sullivan, 2006).
Em termos matemáticos, uma simulação condicional procura fornecer realizações
de N variáveis aleatórias condicionais aos n dados disponíveis. Aqui N (o número de
pontos simulados) é geralmente maior que n (o numero de dados disponíveis). Como a
distribuição multivariável adequada para este tipo de problema é geralmente muito
complexa, necessita-se de um método que simplifique a solução. Esta simplificação é
feita com auxílio do axioma de Bayes para probabilidades condicionais. Para eventos
discretos, o axioma é dado por:
relação pode ser expandida para que se possa formar a partir do produto de variáveis N,
a distribuição conjunta de qualquer variável N.
Por exemplo, considerando D = B ∧ C
Pr( A ∧ B ∧ C ) = Pr( A ∧ D ) (3-95)
Aplicando o axioma de Bayes
Pr( A ∧ D) = Pr( A / D). Pr( D ) (3-96)
Substituindo novamente D
Pr( A ∧ B ∧ C ) = Pr(( A / B) ∧ C ). Pr( B ∧ C ) (3-97)
Aplicando novamente o axioma de Bayes
Pr( A ∧ B ∧ C ) = Pr(( A / B ) ∧ C ). Pr( B / C ). Pr(C ) (3-98)
Na simulação existem n dados e N pontos a simular. Os n pontos simulados
devem ser uma realização da função aleatória V(x). Logo, os pontos simulados devem
PUC-Rio - Certificação Digital Nº 0711194/CA
~
~
VUCSim ( x) = V UCSim ( x) e Vsim ( x) = V dados ( x) .
Segundo Sullivan (2006), a variância da krigagem e a variância condicional não
são as mesmas em uma distribuição que não seja normal (Gaussiana), por exemplo em
uma distribuição log-normal onde existe um efeito proporcional. A variância
condicional é uma função do valor médio local (efetivamente S2=&.m2 onde S2 é a
variância local e m é a média local). Neste caso, quando a krigagem é realizada, a
variância da krigagem é somente condicional com a posição dos dados, já que os pesos
da krigagem são função apenas da posição dos dados. Devido que a variância
condicional depende das médias locais, a variância condicional depende tanto da
posição dos dados quanto dos valores destes.
Para aplicar a teoria de simulação seqüencial gaussiana os dados devem estar
distribuídos normalmente, o que ocorre quase nunca na prática. A solução deste
problema está na transformação dos dados a uma distribuição normal. Sem importar seu
teor de distribuição inicial, com uma média de 0 e um desvio padrão de 1 criam-se
valores normalmente distribuídos. Logo depois, a simulação é realizada sobre estes
dados transformados e os pontos simulados são novamente transformados a seus
respectivos valores originais.
A transformação dos dados se baseia na distribuição acumulativa dos dados e na
distribuição normal.
72
4.
MODELAGEM
geotecnicas homogêneas.
Na realidade, os parâmetros geológico-geotécnicos (forma, tamanho, volume,
qualidade do maciço rochoso, orientação das fraturas, etc.) reais de um depósito
somente serão conhecidos completamente quando finalize a produção dele. Porém, é
labor do engenheiro interpretar toda a informação disponível e definir um modelo
aproximado do depósito.
74
PUC-Rio - Certificação Digital Nº 0711194/CA
4.1.
Banco de dados
Toda a informação vai para dois tipos de bancos de dados, o primeiro, contem
toda a informação dos mapeamentos geológicos, todos em formato DXF de Autocad.
O segundo tipo de banco de dados consiste em uma coleção de tabelas e, a cada
uma, é associado um nome único. O principal objetivo deste modelo de banco de dados
75
4.2.
Modelagem Geométrica e Amostragem
intervalos com litologia similar. Este passo é fundamental antes de fazer qualquer
calculo ou desagregação estatística.
A amostragem esta relacionada a toma de informação do Parâmetro RQD a partir
de intervalos de sondagens. Em mineração, a sondagem é uma técnica
fundamentalmente amostradora, cujo objetivo é a obtenção de uma amostra da formação
ou maciço que se perfura.
4.2.1.
Metodologia da amostragem do parâmetro RQD
A aplicação das técnicas geoestatísticas, neste projeto, foi feito para o índice
geomêcanico RQD (Rock Quality Designation), tendo em vista a importância deste
índice para a avaliação do maciço rochoso.
Sondagem diamantina
A sondagem rotativa é utilizada para investigações geológicas e/ou geotécnicas
em rochas, desde as mais brandas às mais duras.
Os principais equipamentos para uma amostragem rotativa são a sonda (com motor), a
bomba d’agua, os tubos de revestimento, as hastes, os barrilletes, o calibrador, a mola
PUC-Rio - Certificação Digital Nº 0711194/CA
4.2.1.1.
Definição do Parâmetro RQD
A relação entre o índice RQD e a qualidade de engenharia das rochas proposta por
Deere (1968), é a seguinte:
Descrição da
RQD %
Qualidade de Rocha
< 25 Muito Pobre
25-50 Pobre
50-75 Regular
75-90 Bom
90-100 Excelente
Sendo:
f= número médio de descontinuidades por metro, e 0.1 o valor limite, por
definição, do RQD.
4.2.2.
Critérios da modelagem geológica
4.2.2.1.
Modelagem em perfis verticais
a.- Os perfis têm uma distância de 30 metros entre cada um deles. A influencia dos
perfis é de 15 metros antes, e de 15 metros na direção de avance dos perfis.
b.- A modelagem tem uma influencia de 15 metros a cada lado do perfil.
c.- Se o perfil somente corta uma sondagem:
A modelagem se faz seguindo a forma da zona econômica da Veio Animas.
Se a rocha é ígnea e não se tem informação da continuidade nas duas seções
anteriores nem nas duas seguintes, então se da um alcance máximo de 20 metros à parte
superior da interseção e 20 metros à parte inferior desta.
Se for uma rocha ígnea e tem-se informação da continuidade nas duas seções
anteriores e seguintes, então se realiza uma modelagem tentando interpolares as seções
com informação litológica.
d.- Se a seção intersecta mais de uma sondagem, desenha-se seguindo a forma da
interseção das sondagens com as seções.
e.- Para melhorar a modelagem, recomenda-se, que se a rocha não tem continuidade na
próxima seção, dê-se uma influencia de 10 metros entre a seção que tem um tipo de
rocha e a seção que não tem este tipo. Desta maneira a modelagem não terminara ao
inicio ou final de cada seção.
82
f.- Se a sondagem intersecta uma zona de falha, e não tem correlação com as outras
sondagens em essa mesma seção, então deve se dar um alcance entre 5 a 10 metros à
parte superior e também à parte inferior.
g.- Se a sondagem intersecta uma veio ou estrutura de minério, e não tem correlação
com as outras sondagens em essa seção, então deve se dar um alcance de 10 metros à
parte superior e também à parte inferior.
h.- Quando existem estruturas de minério separadas por rochas encaixantes com
potencia perto de 1 metro, então modela-se todo como estrutura (V).
i.- Se a estrutura (V) é cortada somente por uma sondagem e esta perto a Veio
econômica, então modela-se esta litologia seguindo a forma da veio econômica.
j.- No caso de ter sondagens com segmentos de rochas misturadas de pouca potencia,
então modela-se a rocha predominante.
PUC-Rio - Certificação Digital Nº 0711194/CA
4.2.2.2.
Modelagem em perfis horizontais
4.3.
Modelagem Numérica
4.3.1.
Malhas de blocos
estudados).
• Continuidade geológica da mineralização.
• Tamanho da amostragem e espaçamento.
• Capacidade das maquinas mineiras.
• Tamanho da lavra.
• Limites próprios do software ou do computador.
Estes modelos principalmente se desenvolveram para observar a distribuição
espacial dos teores de elementos econômicos, porem recentemente tem sido utilizados
para modelar formas de unidades geológicas, unidades geotécnicas e aqüíferos de água
subterrânea.
Os modelos podem ser ortogonais ou com rotação como se mostra na Figura 4-6.
84
Tamanho do bloco
O bloco unitário ortogonal (Figura 4-7) para a avaliação tem sido eleito
PUC-Rio - Certificação Digital Nº 0711194/CA
4.3.2.
Regularização
influenciam no efeito pepita. Por isto, a identificação dos vários componentes do efeito
pepita através da regularização permite uma melhor manipulação dos dados e um
melhor controle da amostragem (Chiles & Delfiner, 1997).
A regularização é uma técnica usada para a uniformização do comprimento ou a
distancia vertical das sondagens.
A este comprimento de longitude determinada, da-se lhe um valor de media
ponderada (V(x)) a um tramo de sondagem (L). O valor é uma simples media aritmética
dada por.
n
∑ v( xi ).Li
V ( x) = i =1 n (4-5)
Li
∑
i =1
PUC-Rio - Certificação Digital Nº 0711194/CA
Este sistema é muito utilizado para avaliação de jazidas, principalmente quando são
massivas, de boa potencia e com pequenas mudanças na densidade aparente do
material.
86
4.3.2.1.
Determinação do comprimento da regularização por litologia
4.3.3.
Metodologia modelagem numérica
4.3.3.1.
Vizinhança
Volume de Procura
A forma do volume de procura mais utilizada é a elipsóide centrada no ponto
central do bloco que vai ser estimado. Seus eixos e orientação são definidos pela
anisotropia do esquema de continuidade espacial.
O elipsóide é construído a partir dos variogramas direcionais. Estes determinam a
PUC-Rio - Certificação Digital Nº 0711194/CA
O volume de procura serve para selecionar todas as amostras vizinhas que vão a
participar na estimativa do bloco.
Número de amostras
92
Discretização do bloco
A discretização de bloco divide ao bloco em sub-blocos em cada direção. Este
método é utilizado pela OK, IQD e SK, permitindo uma melhor representação, mas
também aumenta o tempo do processo de estimativa. O número ótimo de blocos
depende de diferentes fatores entre os quais temos o tamanho do bloco, parâmetros
variográficos, espaçamento das amostras, etc., por isso não se pode fazer uma
recomendação que cobra todos os casos.
Frequentemente o número ótimo de blocos em cada direção é obtido através da
validação cruzada.
93
PUC-Rio - Certificação Digital Nº 0711194/CA
4.3.4.
Validação Cruzada
de decisão o erro reduzido e a variância do erro reduzido, ideal quando próxima ao valor
1, (maiores detalhes em Vieira, 1995), calculados pelas seguintes equações:
__
^
ER = E{ER( xi )} = E (V ( xi ) − V ( xi )) / σ k ( xi )) = 0 (4-6)
__ 2
^
Var ( ER) = E ((V ( xi ) − V ( xi )) / σ k ( xi )) = 1 (4-7)
__
Onde σ k ( xi ) e o desvio padrão dos valores estimados e, ER é o erro de
estimativa.
O ideal é que o erro tenha distribuição normal com média reduzida a zero e desvio
padrão igual a 1.
Segundo Vieira (1997), com os pares de valores medidos e estimados de cada
PUC-Rio - Certificação Digital Nº 0711194/CA
ponto amostral, pode-se avaliar a qualidade dos ajustes dos semivariogramas pelos
seguintes procedimentos: regressão linear, erro absoluto (ideal quando o histograma
com seus valores se ajusta a uma distribuição normal) e erro reduzido.
^
A partir da análise de regressão entre os pares V ( xi ) e V ( xi ) (estimados x reais),
vários parâmetros podem ser estimados e utilizados no julgamento da qualidade da
estimativa, como a intersecção angular da reta de regressão, coeficiente de correlação
^
entre V ( xi ) e V ( xi ) , variância reduzida, etc.
^
A regressão linear é calculada entre os pares de valores estimados V ( xi ) e os
4.3.5.
Métricas para comparativas
n
ak − yk
∑
k =1 ak
MAPE = .100% (4-9)
(n)
O RMSE
É definido da seguinte forma:
2
1 n ak − yk
RMSE = ∑
n k =1 1
(4-10)
Esta métrica penaliza muito mais os erros maiores. Desta forma, uma técnica que
apresente ótimos resultados na maioria das previsões, porém tenha erros elevados em
uma previsão específica, irá fornecer um alto RMSE.
O coeficiente U de Theil
É definido pela fórmula:
96
∑ (a
k =1
k − yk )2
U= (4-11)
n
∑ (a
2
k − a k −1 )
k =1
Esta métrica mede o quanto os resultados estão melhores que uma previsão
ingênua ou trivial (i.e.: “a melhor estimativa do próximo valor é o valor atual”). Através
deste coeficiente pode-se analisar a qualidade de uma previsão da seguinte maneira:
Quando U ≥ 1, o erro do modelo é maior que o erro ingênuo.
Quando U < 1, o erro do modelo é menor que o erro ingênuo (boa previsão).
Assim, um coeficiente U de Theil menor que 1 já indica uma previsão melhor que
a previsão trivial. Portanto, quanto mais próximo de zero for este coeficiente melhor a
previsão.
PUC-Rio - Certificação Digital Nº 0711194/CA
97
5
APRESENTAÇÃO E ANALISE DOS RESULTADOS
5.1.
Modelagem geológica da área
Neste estudo utilizaram-se 162 sondagens, das quais 96 sondagens são curtas
(feitos no interior da mina) e 66 sondagens são longas (feitos desde a superfície). Cada
um das sondagens contém dados de coordenadas, inclinação, litologia, RQD,
recuperação e teores de Ag, Au, Pb, Zn (os quais não foram entregue pela mineradora).
Porém, nesta pesquisa só vai-se utilizar os dados de litologia e RQD.
PUC-Rio - Certificação Digital Nº 0711194/CA
Figura 5-2 Vista vertical (Leste-Oeste) das sondagens efetuadas no veio Animas.
Figura 5-3 Vista vertical (Norte-Sul) das sondagens efetuadas no veio Animas.
A partir dos mapeamentos geológicos estruturais por níveis (Figura 5-5, Figura
5-6 e Figura 5-7), modelaram-se os sólidos das zonas de falhas por nível. Seguindo as
PUC-Rio - Certificação Digital Nº 0711194/CA
5.1.1.
Modelagem geométrica
Pesquisadores como Folle & et. al. (2008), não realizam uma modelagem
geológica das unidades geológicas antes da estimativa do parâmetro geotécnico, porem,
eles consideram a tendência vertical própria dos dados no momento da estimativa. O
método geoestatístico que leva em conta essa tendência é a Krigagem Universal.
Neste caso utilizaremos a OK e SGS, por tanto devemos realizar a modelagem
geométrica do veio Animas (utilizaremos o método dos perfis para a criação dos
sólidos) para uma melhor predição do RQD.
Para esta etapa do trabalho utilizaremos o pacote DATAMINE desenvolvido pela
empresa Mineral Industries Computing Ltda em Inglaterra. A licença utilizada neste
trabalho é DATAMINE V2. Este programa permite realizar a criação de sólidos
tridimensionais, analise estatística, analise geoestatística, desenho de operações de
PUC-Rio - Certificação Digital Nº 0711194/CA
5.1.1.1.
Perfis horizontais e verticais
Aparte dos 42 perfis verticais criou-se dois perfis entre cada perfil com
denominação AN. Desta maneira se seguirão os critérios da modelagem geológica do
capitulo anterior.
Os perfis horizontais foram utilizados para completar a modelagem geológica em
zonas onde somente se tinham sondagens longas (comprimento maior a 100 metros).
Na Tabela 5-4 mostra-se o número de amostras utilizado por cada litologia na
modelagem geológica.
5.1.1.2.
Criação dos sólidos geológicos
A Figura 5-14 mostra o veio Animas (cor vermelho) e suas zonas de falha (cor
Azul).
109
5.1.2.
Modelagem Numérica
Nesta etapa do trabalho utilizaremos o pacote ISATIS V7, ele foi desenvolvido
por Geovariances na França. A principal vantagem são as múltiplas ferramentas
estatísticas e geoestatísticas. Uma grande desvantagem é que o pacote não permite
realizar a modelagem geológica tridimensional de um depósito mineral.
5.1.2.1.
Regularização
No momento de fazer regularização das amostras só são consideras aquelas que têm
teores de RQD. As amostras que não tem este valor e somente tem o código litológico
serão excluídas da regularização.
A Figura 5-16, Figura 5-17, Figura 5-18, Figura 5-19 e Figura 5-20 mostram a
distribuição espacial das amostras regularizadas
110
X (m)
3820 3830 3840 3850 3860 3870 3880
RQD
17390 17390
17380 17380
Y (m)
Y (m)
17370 17370
17360 17360
17350 17350
17340 17340
X (m)
3500 3750 4000 4250
18000 18000
RQD
17900 17900
17800 17800
17700 17700
Y (m)
Y (m)
17600 17600
17500 17500
17400 17400
17300 17300
17200 17200
X (m)
3600 3700 3800 3900 4000 4100
17600 17600
17550 17550
Y (m)
Y (m)
17500 17500
17450 17450
17400 17400
17350 17350
X (m)
3250 3500 3750 4000 4250 4500
RQD
18000 18000
17750 17750
Y (m)
Y (m)
17500 17500
17250 17250
17900 17900
17800 17800
17700 17700
Y (m)
Y (m)
17600 17600
17500 17500
17400 17400
17300 17300
17200 17200
5.1.2.2.
Modelo de blocos
O bloco unitário ortogonal que utilizaremos para a litologia com código V tem as
seguintes dimensões: 6 metros na direção vertical, 3 metros na direção Norte-Sul e 3
metros na direção Leste-Oeste. Devido a que esta litologia é econômica e precisa de um
maior detalhe, desta maneira o bloco unitário representara melhor as irregularidades do
contorno.
O tamanho do bloco foi eleito devido ao avanço diário de extração de minério que
é de 3 metros.
Ao inicio criamos um modelo protótipo, este modelo é um paralelepípedo de
grande tamanho e, cujo objetivo é cobrir todo o volume dos sólidos geológicos. Nas
tabelas desde a
Tabela 5-6 até a Tabela 5-10 mostram-se as características de cada um dos modelos
protótipo.
PUC-Rio - Certificação Digital Nº 0711194/CA
5.2.
Estatística básica
5.2.1.
Estatística descritiva
Tabela 5-11 Estatística descritiva das amostras regularizadas por código litológico.
VARIAVEL AMOSTRAS MINIMO MAXIMO MEDIA DESV. PADRÃO VARIÂNCIA CURTOSE
AGV RQD 58 0.00 90.32 28.33 33.15 1098.79 1.93
ANDPORF RQD 1979 0.00 100.00 69.86 29.14 849.36 2.90
BX RQD 38 0.00 77.15 30.14 18.46 340.92 3.38
TBLP RQD 1748 0.00 100.00 72.23 29.00 840.92 3.03
V RQD 446 0.00 100.00 42.92 30.58 935.12 1.82
PUC-Rio - Certificação Digital Nº 0711194/CA
5.2.2.
Estatística básica das amostras regularizadas originais e desagregadas
AGV
BX
Podemos observar que em quase todas as litologias os valores de RQD que apresentam
maior freqüência relativa estão por acima de 85 ou perto de 10.
5.2.3.
Transformação a uma variável normalmente distribuída por litologia
O problema de não ter uma distribuição normal nos dados originais pode ser
solucionada com uma transformação desses dados. A transformação deve dar como
resultado uma distribuição normal com media 0 e desvio padrão 1.
Esta transformação não é difícil conceptualmente, os teores se transformam
baseando-se na distribuição acumulativa dos dados originais e a distribuição normal. Os
dados se transformam em base ao percentil equivalente. Por exemplo, o percentil
número 10 dos dados originais determina-se no percentil número 10 da distribuição
normal. Graficamente esta distribuição pode ser vista graficando à distribuição
acumulativa dos dados originais e da variável normal gaussiana.
120
5.3.
Variografia
5.3.1.
Calculo dos Variogramas experimentais por litologia
5.3.1.1.
Variograma experimental omnidirecional
5.3.1.2.
Variograma experimental direcional
Y Z1 Y2
Y3
Y1 X1 Z2 Y2
X Y1 XX3 2
Z Z1 X1 X2 Z2 Z3
U Y
X
5.3.2.
Modelagem dos variogramas experimentais por litologia
5.3.2.1.
Modelagem dos variogramas experimentais omnidirecionais
Distance (m)
0 25 50 75 100 125
3000 3000
Variogram : RQD
Variogram : RQD
2000 2000
1000 1000
0 0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 25 50 75 100 125
900 900
800 800
700 700
Variogram : RQD
Variogram : RQD
600 600
500 500
400 400
300 300
200 200
100 100
0 0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 25 50 75 100
1250 1250
1000 1000
Variogram : RQD
Variogram : RQD
750 750
500 500
250 250
0 0
0 25 50 75 100
Distance (m)
Distance (m)
0 25 50 75 100 125
1000 1000
900 900
800 800
700 700
Variogram : RQD
500 500
400 400
300 300
200 200
100 100
0 0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 25 50 75 100 125
2000 2000
Variogram : RQD
Variogram : RQD
1500 1500
1000 1000
500 500
0 0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 25 50 75 100 125
2.5 2.5
2.0 2.0
Variogram : gaussrqd
Variogram : gaussrqd
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 25 50 75 100 125
1.00 1.00
Variogram : gaussrqd
Variogram : gaussrqd
0.75 0.75
0.50 0.50
0.25 0.25
0.00 0.00
0 25 50 75 100 125
Distance (m)
Distance (m)
0 25 50 75 100
2.0 2.0
Variogram : gaussrqd
Variogram : gaussrqd
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
0 25 50 75 100
Distance (m)
Distance (m)
0 25 50 75 100 125
1.00 1.00
Variogram : gaussrqd
Variogram : gaussrqd
0.75 0.75
0.50 0.50
0.25 0.25
0.00 0.00
0 25 50 75 100 125
Distance (m)
Distance (m)
0 25 50 75 100 125
1.5 1.5
Variogram : gaussrqd
Variogram : gaussrqd
1.0 1.0
0.5 0.5
0.0 0.0
0 25 50 75 100 125
Distance (m)
5.3.2.2.
Modelagem dos variogramas experimentais direcionais
Distance (m)
0 50 100 150
N40
3000 3000
Variogram : RQD
Variogram : RQD
2000 2000
1000 1000
0 0
0 50 100 150
Distance (m)
Distance (m)
0 25 50 75 100 125
1250 1250
1000 1000
Variogram : RQD
500 500
250 250
0 0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 50 100 150
900 900
800 800
700 700
Variogram : RQD
Variogram : RQD
600 600
500 500
400 400
300
PER 300
200 200
100 100
0 0
0 50 100 150
Distance (m)
Distance (m)
0 50 100 150
2500 2500
2000 2000
Variogram : RQD
Variogram : RQD
1500 1500
1000 1000
500 500
N40
0 0
0 50 100 150
Distance (m)
Distance (m)
0 50 100 150
3000 3000
Variogram : RQD
Variogram : RQD
2000 2000
1000 1000
0 0
0 50 100 150
Distance (m)
Distance (m)
0 50 100 150
900 900
800 800
PER
700 700
Variogram : RQD
Variogram : RQD
600 600
500 500
400 400
300 300
200 200
100 100
0 0
0 50 100 150
Distance (m)
Distance (m)
0 25 50 75 100 125
2500 2500
2000 2000
Variogram : RQD
Variogram : RQD
1500 1500
1000 1000
500 500
N40
0 0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 50 100 150
3000 3000
Variogram : RQD
1000 1000
N130
0 0
0 50 100 150
Distance (m)
Distance (m)
0 10 20 30 40 50 60 70
1000 1000
Variogram : RQD
Variogram : RQD
750 750
PER
500 500
250 250
0 0
0 10 20 30 40 50 60 70
Distance (m)
Distance (m)
0 50 100 150
3 3
N40
Variogram : gaussrqd
Variogram : gaussrqd
2 2
1 1
0 0
0 50 100 150
Distance (m)
Distance (m)
0 25 50 75 100 125
1.5 1.5
Variogram : gaussrqd
Variogram : gaussrqd
1.0 1.0
0.5 0.5
0.0 0.0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 50 100 150
1.00 1.00
Variogram : gaussrqd
Variogram : gaussrqd
0.75 0.75
PER
0.50 0.50
0.25 0.25
0.00 0.00
0 50 100 150
Distance (m)
Distance (m)
0 50 100 150
2.0 2.0
1.5 1.5
Variogram : gaussrqd
Variogram : gaussrqd
1.0 1.0
N40
0.5 0.5
0.0 0.0
0 50 100 150
Distance (m)
Distance (m)
0 50 100 150
2.5 2.5
Variogram : gaussrqd
Variogram : gaussrqd
2.0 2.0
1.5 1.5
1.0 1.0
0.5 0.5
N130
0.0 0.0
0 50 100 150
Distance (m)
Distance (m)
0 50 100 150
1.25 1.25
Variogram : gaussrqd
Variogram : gaussrqd
1.00 PER 1.00
0.75 0.75
0.50 0.50
0.25 0.25
0.00 0.00
0 50 100 150
Distance (m)
Distance (m)
0 25 50 75 100 125
3 3
Variogram : gaussrqd
Variogram : gaussrqd
2 2
1 1
0 0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 25 50 75 100 125
4 4
Variogram : gaussrqd
Variogram : gaussrqd
3 3
2 2
1 1
0 0
0 25 50 75 100 125
Distance (m)
Distance (m)
0 10 20 30 40 50 60 70
1.5 1.5
Variogram : gaussrqd
Variogram : gaussrqd
1.0 1.0
0.5 0.5
0.0 0.0
0 10 20 30 40 50 60 70
Distance (m)
5.4.
Validação cruzada e vizinhança de estimativa
5.4.1.
Validação cruzada dos dados originais
2 2 2
BX 2 2 2
TBLP 2 2 2
V 1 1 1
^
O erro reduzido ER é (V ( xi ) − V ( xi )) / σ k ( xi )) .
Tabela 5-23 Coeficiente de correlação por código litológico.
AGV ANDPORF BX TBLP V
Valor real ER Valor real ER Valor real ER Valor real ER Valor real ER
Valor Estimado 0.925 0.039 0.933 0.015 0.99 -0.24 0.904 0.07 0.837 0.125
A Tabela 5-24 mostra a estatística do erro reduzido, que nos servira para analisar
o valor médio e desvio padrão por cada código litológico.
Como podemos observar todos os códigos litológicos apresentam um erro com
media perto de 0 e com desvio padrão perto de 1. Esses valores são ideais segundo o
item 4.3.4.
140
Z* : RQD (Estimates)
X (m)
0 10 20 30 40 50 60 70 80 90
3820 3830 3840 3850 3860 3870 3880
90 rho = 0.925 90
17390 17390 80 80
70 70
50 50
Y (m)
Y (m)
17370 17370
40 40
17360 17360 30 30
20 20
17350 17350
10 10
0 0
17340 17340
Frequencies
1 1
(Z*-Z)/S*
(Z*-Z)/S*
0.3 0.3
0 0
-1 -1
0.2 0.2
-2 -2
0.1 0.1 -3 -3
-4 -4
0.0 0.0
-4 -3 -2 -1 0 1 2 3 4 0 10 20 30 40 50 60 70 80 90
(Z*-Z)/S* Z* : RQD (Estimates)
Z* : RQD (Estimates)
0 50 100
17800 17800
17700 17700 50 50
Y (m)
Y (m)
17600 17600
17500 17500
17400 17400
17300 17300
17200 17200 0 0
PUC-Rio - Certificação Digital Nº 0711194/CA
Frequencies
1 1
(Z*-Z)/S*
(Z*-Z)/S*
0.2 0.2 0 0
-1 -1
-2 -2
0.1 0.1
-3 -3
-4 -4
0.0 0.0
-4 -3 -2 -1 0 1 2 3 4 0 50 100
(Z*-Z)/S* Z* : RQD (Estimates)
Z* : RQD (Estimates)
0 10 20 30 40 50 60 70 80
80 80
rho = 0.999
70 70
X (m) 60 60
17550 17550 30 30
Y (m)
Y (m)
17500 17500 20 20
17450 17450
10 10
PUC-Rio - Certificação Digital Nº 0711194/CA
17400 17400
17350 17350 0 0
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0.3 0.3 0.0 0.0
0.2 0.2
0.0 0.0
-0.5 0.0 0.5 0 10 20 30 40 50 60 70 80
(Z*-Z)/S* Z* : RQD (Estimates)
Z* : RQD (Estimates)
0 50 100
17750 17750
50 50
Y (m)
Y (m)
17500 17500
17250 17250
0 0
Frequencies
0.3 0.3 1 1
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.2 0.2 -1 -1
-2 -2
0.1 0.1 -3 -3
-4 -4
-5 -5
0.0 0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5 0 50 100
(Z*-Z)/S* Z* : RQD (Estimates)
Z* : RQD (Estimates)
0 50 100
X (m)
100 rho = 0.835 100
3500 3750 4000 4250
18100 18100
18000 18000
17800 17800
17700 17700 50 50
Y (m)
Y (m)
17600 17600
17500 17500
17400 17400
17300 17300
17200 17200 0 0
Minimum: -3.83273
Maximum: 2.95466 3 3
Mean: 0.0398392
Std. Dev.: 0.894484 2 2
0.15 0.15
Frequencies
Frequencies
1 1
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.10 0.10
-1 -1
-2 -2
0.05 0.05
-3 -3
-4 -4
0.00 0.00
-4 -3 -2 -1 0 1 2 3 4 0 50 100
(Z*-Z)/S* Z* : RQD (Estimates)
5.4.2.
Validação cruzada dos dados transformados
V 1 2 3
Z* : gaussrqd (Estimates)
X (m)
-2 -1 0 1 2
3820 3830 3840 3850 3860 3870 3880
rho = 0.883
2 2
17390 17390
Y (m)
17370 17370
0 0
17360 17360
-1 -1
17350 17350
-2 -2
17340 17340
PUC-Rio - Certificação Digital Nº 0711194/CA
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0.10 0.10
0 0
-1 -1
0.05 0.05
-2 -2
-3 -3
0.00 0.00
-3 -2 -1 0 1 2 3 -2 -1 0 1 2
(Z*-Z)/S* Z* : gaussrqd (Estimates)
Z* : gaussrqd (Estimates)
-4 -3 -2 -1 0 1 2 3 4
4 4
rho = 0.929
X (m) 3 3
3500 3750 4000 4250
17700 17700 0 0
Y (m)
Y (m)
17600 17600
-1 -1
17500 17500
17400 17400 -2 -2
17300 17300
-3 -3
17200 17200
-4 -4
3500 3750 4000 4250 -4 -3 -2 -1 0 1 2 3 4
X (m) Z* : gaussrqd (Estimates)
0.3 0.3
Nb Samples: 1978 5 rho = 0.030 5
Minimum: -4.92731
Maximum: 4.42589
Mean: 0.000284084
Std. Dev.: 0.806664
0.2 0.2
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.1 0.1
-5 -5
0.0 0.0
-5 0 5 -3 -2 -1 0 1 2 3
(Z*-Z)/S* Z* : gaussrqd (Estimates)
Z* : gaussrqd (Estimates)
-2 -1 0 1 2
2 rho = 0.985 2
17650 17650
17600 17600 0 0
17550 17550
Y (m)
Y (m)
17500 17500
-1 -1
17450 17450
17400 17400
-2 -2
17350 17350
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0.075 0.075 0 0
-1 -1
0.050 0.050
-2 -2
0.025 0.025 -3 -3
-4 -4
0.000 0.000
-4 -3 -2 -1 0 1 2 3 4 -2 -1 0 1 2
(Z*-Z)/S* Z* : gaussrqd (Estimates)
Z* : gaussrqd (Estimates)
-3 -2 -1 0 1 2 3
17750 17750
0 0
Y (m)
Y (m)
-1 -1
17500 17500
-2 -2
17250 17250
-3 -3
PUC-Rio - Certificação Digital Nº 0711194/CA
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.2 0.2
0.1 0.1 -5 -5
0.0 0.0
-5 0 5 -3 -2 -1 0 1 2 3
(Z*-Z)/S* Z* : gaussrqd (Estimates)
Z* : gaussrqd (Estimates)
-3 -2 -1 0 1 2 3
X (m)
3 rho = 0.833 3
3500 3750 4000 4250
18100 18100
2 2
17900 17900
1 1
17800 17800
17700 17700 0 0
Y (m)
Y (m)
17600 17600
17500 17500 -1 -1
17400 17400
-2 -2
17300 17300
17200 17200 -3 -3
Minimum: -5.71456
5 5
Maximum: 5.98725
Mean: 0.0451394
0.15 0.15
Std. Dev.: 1.37524
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0.10 0.10 0 0
0.05 0.05
-5 -5
0.00 0.00
-5 0 5 -3 -2 -1 0 1 2 3
(Z*-Z)/S* Z* : gaussrqd (Estimates)
5.5.
Analises dos resultados do parâmetro RQD por IQD, OK e SGS
5.5.1.
Calculo do RQD a partir do método IQD
Tabela 5-30 Estatística descritiva do RQD nos blocos estimados pelo método IQD.
VARIAVEL AMOSTRAS MINIMO MAXIMO MEDIA DESV. PADRÃO VARIÂNCIA CURTOSE
AGV RQD 956.00 0.00 89.47 34.31 30.26 915.55 1.47
ANDPORF RQD 42720.00 0.00 100.00 66.33 27.51 756.84 2.52
BX RQD 413.00 0.05 77.15 34.72 20.21 408.55 2.82
TBLP RQD 48771.00 0.00 100.00 68.05 27.67 765.75 2.31
V RQD 15844.00 0.00 99.57 41.15 28.63 819.70 1.86
5.5.2.
Calculo do RQD a partir do método OK
Tabela 5-31 Estatística descritiva do RQD nos blocos estimado com o método OK.
VARIAVEL AMOSTRAS MINIMO MAXIMO MEDIA DESV. PADRÃO VARIÂNCIA CURTOSE
AGV RQD 956.00 0.00 89.47 34.32 30.25 915.30 1.47
ANDPORF RQD 42720.00 0.00 100.00 66.29 27.51 756.65 2.51
PUC-Rio - Certificação Digital Nº 0711194/CA
Tabela 5-30 os blocos estimados com os métodos IQD e OK ainda conservam valores
similares às amostras regularizadas (média, desvio padrão e variância) a partir das quais
foram estimadas.
5.5.3.
Calculo do RQD a partir do método SGS
Tabela 5-32 Estatística descritiva do RQD nos blocos simulados pelo método SGS de
50 simulações.
VARIAVEL AMOSTRAS MINIMO MAXIMO MEDIA DESV. PADRAO VARIANCIA
AGV RQD 956 11.67 56.98 28.07 4.45 19.81
ANDPORF RQD 42993 15.40 95.61 73.39 3.07 9.43
BX RQD 565 18.03 38.71 29.46 2.14 4.58
TBLP RQD 49291 0.51 87.08 42.52 3.55 12.59
V RQD 17345 1.35 94.89 42.72 6.08 36.95
152
Tabela 5-33 Estatística descritiva do RQD nos blocos simulados pelo método SGS de
100 simulações.
VARIAVEL AMOSTRAS MINIMO MAXIMO MEDIA DESV. PADRAO VARIANCIA
AGV RQD 956 10.40 60.04 28.14 4.80 23.04
ANDPORF RQD 42993 15.31 95.50 73.39 3.09 9.55
BX RQD 565 18.39 36.96 29.57 2.19 4.80
TBLP RQD 49291 0.42 87.08 42.51 3.55 12.60
V RQD 17345 1.25 94.68 42.74 6.10 37.21
Como se pode observar na Tabela 5-32 e na Tabela 5-33 os valores da média dos
diferentes códigos litológicos variam em diferente proporção com respeito aos valores
obtidos com o método da KO e IQD. O desvio padrão e a variância são obtidos a partir
dos teores de RQD médios de cada código litológico e não são obtidos a partir de uma
transformação com a função inversa.
PUC-Rio - Certificação Digital Nº 0711194/CA
5.5.4.
Comparação dos resultados
Tabela 5-34 MAPE entre o RQD obtido pela OK e o RQD calculado por outros
métodos.
MAPE
OK-IQD OK-SGS50 OK-SGS100
AGV 1.37 212.31 212.77
ANDPORF 1.13 116.51 116.60
BX 0.01 5832.30 5820.62
TBLP 0.64 78.51 78.36
V 2.75 146.57 146.65
Krigagem Ordinária.
Como podemos observar na Tabela 5-35 e Tabela 5-36 o MAPE não varia quase
nada. Por tanto, os valores de RQD calculados pelo OK e IQD e os simulados pelo SGS
apresentam teores diferentes devido a diferencia própria dos métodos geoestatísticos e
não aos modelos variográficos diferentes ou às diferentes vizinhanças de estimativa.
PUC-Rio - Certificação Digital Nº 0711194/CA
As figuras 5-71 até 5-75 mostram o parâmetro RQD obtido a partir do método da
Krigagem Ordinária (OK) e da Simulação Seqüencial Gaussiana de 100 simulações
(SGS-100). A cor vermelha tem valor de RQD igual a zero e a cor amarela tem valor de
RQD igual a 100.
155
litologia ANDPORF.
litologia TBLP.
Desde Figura 5-75 até a Figura 5-79 se faz uma comparação dos valores de RQD
previstos por cada método. Como podemos observar as previsões efetuadas por
Krigagem Ordinária (OK) e Inverso Quadrado das distâncias (IQD) são muito similares,
enquanto que as previsões obtidas com a Simulação Seqüencial Gaussiana (SGS) são
diferentes na maioria dos casos.
157
As figuras nos permitem avaliar como cada método distribui os valores do RQD
tridimensionalmente em cada uma das 5 litologias. Como podemos observar o OK e
IQD fazem previsões de regiões onde os valores de RQD são muito alto junto a zonas
onde os valores de RQD são muito baixos principalmente porque somente considera as
amostras que ficam perto do bloco, enquanto que o SGS distribui melhor os valores de
RQD tomando em consideração todas as amostras do depósito.
Acreditamos que um material geológico não apresenta o zoneamento produzido
por os métodos de estimativa OK e IQD. O material geotécnico poderia ter esse
comportamento se existisse uma falha geológica, uma discordância da sedimentação ou
outra feição geológica que permita que dentro de um material as propriedades mudem
espacialmente em forma muito rápida.
PUC-Rio - Certificação Digital Nº 0711194/CA
Figura 5-75 Comparação Nº de bloco Vs RQD previsto com os métodos IQD, Ok e SGS
(100 simulações) da litologia AGV.
158
Figura 5-76 Comparação Nº de bloco Vs RQD previsto com os métodos IQD, Ok e SGS
(100 simulações) da litologia ANDPORF.
PUC-Rio - Certificação Digital Nº 0711194/CA
Figura 5-77 Comparação Nº de bloco Vs RQD previsto com os métodos IQD, Ok e SGS
(100 simulações) da litologia BX.
Figura 5-78 Comparação Nº de bloco Vs RQD previsto com os métodos IQD, Ok e SGS
(100 simulações) da litologia TBLP.
159
Figura 5-79 Comparação Nº de bloco Vs RQD previsto com os métodos IQD, Ok e SGS
PUC-Rio - Certificação Digital Nº 0711194/CA
6
CONCLUSÕES E SUGESTÕES
Sugestões
Realizar uma SGS com os dados desagregados e comparar com os valores de
RQD obtidos com a OK e a SGS sem os dados desagregados.
Utilizar a variância da Krigagem para propor posições onde devem ser efetuadas
~ 2
novas sondagens, principalmente em zonas com altos valores de σ OK .
Atualizar o modelo com o avanço da produção, além de considerar os novos
mapeamentos geológicos e as medições do RQD nos afloramentos calculados com a
equação 4.3. Também, realizar a medição de um maior número de propriedades
geotécnicas nas sondagens para obter valores de RMR, GSI ou Q.
162
REFERÊNCIAS BIBLIOGRÁFICAS
Cai M et al. (2004) Estimation of rock mass deformation modulus and strength of
joined hard rock masses using the GSI system. International Journal of Rock
Mechanics & Mining Sciences 41. pp 3-19.
Deere, D. & Deere, W (1988) The Rock Quality Designation (RQD) Index in
Pratice, Rock classification system for Engineering purpose, ASTM. SPT84 pp 91-101.
Folle, D. & Leite, J & et al. (2008) 3-D Soil Resistance Maps in the Presence of
Strong Vertical Trend. Journal Engineering Geology –ENGEO 02852 .pp 1-8
Hack Robert & et al. (2006) Three and More Dimensional Modelling in Geo-
Engineering, Enginnering Geology 65. pp. 143-153.
PUC-Rio - Certificação Digital Nº 0711194/CA
Hudson J & Feng X. (2007). Update Flowcharts for Rock Mechanics Modelling and
Rock Engineering Design. International Journal of Rock Mechanics & Mining
Sciences 44. pp 174-195.
Syrjanen P & Loven P & et al. (2003). 3-D Modeling of Rock Mass Quality. ISRM-
TRRM-South African Institute of mining and Metallurgy-South Africa.
Zhang L. & Einstein H. (2004). Using RQD to Estimate the Deformation Modulus of
Rock Masses. International Journal of Rock Mechanics & Mining Sciences 41. pp 337-
341.
PUC-Rio - Certificação Digital Nº 0711194/CA