Classificação de Recursos e

Reservas Minerais – Parte 5:

Esquemas de Classificação
por  Jorge Kazuo Yamamotohá 3 anos0Comments
Como classificar recursos e reservas minerais
Série de artigos: Classificação de Recursos e
Reservas Minerais
Classificação de Recursos e Reservas Minerais Parte
1: Parâmetros de Classificação (CBRR)

Classificação de Recursos e Reservas Minerais Parte

2: Continuidade Geológica e de Teores

Classificação de Recursos e Reservas Minerais –

Parte 3: Incertezas da Krigagem Ordinária

Classificação de Recursos e Reservas Minerais –

Parte 4: Avaliação Semiquantitativa da Confiabilidade
Geológica
 

Critérios para classificar recursos e reservas minerais

Uma vez calculado o modelo de blocos com os teores da variável de

interesse, o próximo passo é a classificação dos recursos e reservas
minerais. Cada bloco desse modelo contém a informação básica do teor,
bem como da incerteza associada (variância de krigagem ou de
interpolação).
 Porém, essas informações não são suficientes para fins de classificação,
pois outras variáveis devem ser consideradas:

o distância da amostra mais próxima ao bloco;

o distribuição dos pontos em torno do bloco;
o variância de krigagem;
o espaçamento médio e
o densidade amostral.
Geralmente, a classificação dos blocos é feita por pós-processamento,
segundo um critério escolhido pela Pessoa Competente.

Distância da amostra mais próxima em relação ao bloco

Segundo Rossi e Deutsch (2014, p. 217), muitas variações desse conceito
foram usadas, mas a forma mais simples consiste em calcular a distância
do centro do bloco para a amostra mais próxima usada na interpolação.
Geralmente, conforme Sinclair e Blackwell (2002, p. 329), um raio pequeno
é aplicado para definir um cilindro de material que é colocado na categoria
de alta qualidade (Figura 1).
Figura 1: Zonas de influência em torno das sondagens para classificação
de recursos minerais (Sinclair e Blackwell, 2002, p. 329).
 

Distribuição de pontos em torno do bloco

A quantidade de pontos para estimativa de um bloco deve ser definida (por
exemplo, um ponto por octante), bem como o número mínimo de pontos
(por exemplo, no mínimo três octantes com pontos) são as condições para
estimativa de um bloco.

Entretanto, elas não são suficientes para classificação, pois todos os

blocos do modelo tridimensional serão calculados usando uma vizinhança
entre o mínimo e o máximo. Mas, deve-se diferenciar blocos conforme a
distribuição dos pontos amostrais em relação ao bloco estimado (Figura 2).
 F
igura 2: Arranjo geométrico de dados relativos ao bloco estimado (Sinclair
e Blackwell, 2002, p. 329).
Interpolação x Extrapolação

Segundo Sinclair e Blackwell (2002, p. 329), existe uma diferença

significativa entre n amostras de um lado do bloco a ser estimado
(extrapolação) e n amostras distribuídas em torno do bloco a ser estimado
(interpolação).

Assim, as classes de maior confiança deveriam ser atribuídas a blocos

interpolados, enquanto aqueles extrapolados deveriam receber classes de
menor confiança (Sinclair e Blackwell, p. 329-330).

Variância de krigagem
A variância de krigagem foi muito usada no passado para fins de
classificação de recursos minerais (Rossi e Deutsch, 2014, p. 216).
Segundo Armstrong (1994, p. 306), a variância de krigagem não é
adequada para calcular o intervalo de confiança como a média mais ou
menos duas vezes o desvio padrão de krigagem. Na realidade, esta
estatística não é uma medida de incerteza e sim da configuração espacial
dos pontos de dados usados na krigagem (Journel e Rossi, 1989, p. 738).

Atualmente, essa estatística é usada como uma medida da distância

média em relação aos pontos amostrais e, portanto, sem nenhuma relação
com o teor estimado. Segundo Snowden (2001, p. 647), a variância de
krigagem pode ser empregada como uma medida objetiva da confiança
geoestatística de um dado bloco com relação à configuração dos dados.

Exemplo de variância de krigagem

Dentro de um domínio geológico, um mapa da variância de krigagem

destaca a confiança relativa bloco a bloco e pode ser uma ferramenta para
localização de sondagens adicionais (Snowden, 2001, p. 647). Um
exemplo ilustrativo, da aplicação da variância de krigagem para
classificação de recursos minerais, pode ser observado na Figura 3.
Figura 3: Seção de sondagens mostrando as categorias de recursos
minerais derivadas da variância de krigagem (Snowden, 2001, p. 648).
 

Cabe lembrar que a variância de krigagem é aplicada como limiar relativo,

uma vez que os valores em si não têm nenhum significado físico ou
geológico (Rossi e Deutsch, 2014, p. 218).
 

Espaçamento médio e densidade amostral

Os diferentes códigos para declaração de recursos minerais destacam a
distribuição e configuração dos dados como um critério importante para
confirmar a continuidade geológica e/ou de teores e, assim, classificar os
recursos em medido, indicado e inferido, em ordem decrescente de
confiança geológica (Mory e Deutsch, 2006, p. 309-1).

O espaçamento de dados tem sido usado como um critério geométrico

para classificação, como uma medida da disponibilidade de dados e para
avaliar os esquemas de amostragem (Pinto e Deutsch, 2018, p. 1).

Calculo do espaçamento médio

O espaçamento médio para malhas regulares pode ser calculado como a

média das aberturas da malha nas direções X e Y (Mory e Deutsch, 2006,
p. 309-3):

A densidade amostral é igual ao número de dados ou sondagens por

hectare (Mory e Deutsch, 2006, p. 309-2):

As equações (1) e (2) podem ser relacionadas da seguinte forma (Mory e

Deutsch, 2006, p. 309-3; Pinto, 2016, p. 13):

Como achar a densidade amostral

A Figura 4A ilustra uma malha de sondagens com aberturas iguais a 50 m
na direção X e 25 m na direção Y, que resulta em um espaçamento médio
igual a 37,50 m. Para a densidade amostral, considere-se o exemplo da
Figura 4B, onde há 12 sondagens em uma área de 100×200 m2. Assim, a
densidade amostral é igual a 6 furos por hectare.
 

Figura 4: Ilustração para determinação do espaçamento médio (A) e

densidade amostral (B), adaptado de Mory e Deutsch (2006, p. 309-10).
 

O espaçamento médio para dados com distribuição irregular pode ser

calculado da seguinte forma (Pinto e Deutsch, 2018, p. 2):

Onde:

Exemplo de cálculo do espaçamento médio

A Figura 5 apresenta um exemplo para o cálculo do espaçamento médio,
conforme Pinto e Deutsch (2018, p.2). Nesta figura, a área engloba oito
pontos (n=8), assim o raio médio é obtido como a média das distâncias
entre o centro e o oitavo ponto e entre o centro e o nono ponto.

A distância para o oitavo ponto é igual a 42,85 m e para o nono ponto é

48,50 m, portanto o raio médio é 45,675 m. O espaçamento médio é igual
a 28,62 m. A densidade amostral é 12,21 amostras ou furos por hectare.

Figura 5:
Ilustração do cálculo do espaçamento médio para dados com distribuição
irregular (segundo Pinto e Deutsch, 2018, p. 2).
Para dados 3D, o espaçamento médio pode ser calculado pela seguinte
expressão (Pinto, 2016, p. 15; Pinto e Deutsch, 2018, p. 3):

Onde: V é o volume (m3) e c o intervalo de regularização em m.

Furos inclinados e furos verticais

A Figura 6 ilustra duas situações: furos inclinados (A) e furos verticais (B).

Figura 6: Furos inclinados regularizados a um intervalo constante c (A) e

furos verticais regularizados separados por distância L (Pinto, 2016, p. 15).
Para o caso de furos inclinados, tem-se 20 amostras em três sondagens.
Considerando o intervalo de regularização c=10 m e o volume V=15625
m3, o espaçamento médio é igual a 8,84 m, conforme a equação (5). A
densidade amostral, seguindo a equação (3), resulta em 33,64 amostras
por hectare.
Mory e Deutsch (2006, p. 309-8) usam o critério geométrico (espaçamento
médio e densidade amostral) combinado com critérios probabilísticos para
a classificação de recursos minerais, para uma malha de sondagem
hipotética.

Próximo artigo
No próximo artigo, o critério geométrico do espaçamento médio e o cálculo
da densidade amostral serão ilustrados com um exemplo de aplicação em
2D.

 
Referências bibliográficas
Mory, D.F.M.; Deutsch, C.V. 2006. A program for robust calculation of
drillhole spacing in three dimensions. Edmonton, CCG Report. P. 309-18.

Pinto, F.A.C. 2016. Advances in data spacing and uncertainty. Master

thesis submitted to Department of Civil and Environmental Engineering,
University of Alberta. 177p.

Pinto, F.A.C.; Deutsch, C.V. 2018. Calculation of high resolution data

spacing models. In: Deutsch, J.L. (ed) Geostatistics lessons. Baixado em
25/10/2018 de: http://geostatisticslessons.com/lessons/dataspacing.

Rossi, M.; Deutsch, C.V. 2014. Mineral resource estimation. Dordrecht,

Springer. 332p.

Sinclair, A.J.; Blackwell, G.H. 2002. Applied mineral inventory. New York,
Cambridge University Press. 381p.

Snowden, D.V. 2001. Practical interpretation of mineral resource and ore

reserve classification guidelines. In: Mineral Resources and Ore reserve
Estimation – The AusIMM Guide to a Good Practice (Ed. A.C. Edwards) p.
643-652. Melbourne, The Australasian Institute of Mining and Metallurgy.

Classificação de recursos minerais a partir do seu modelo de blocos e

dados de sondagens. Usamos algoritmo próprio e compilador registrado.
100% de garantia e segurança com relação à Lei do Software 9609/98.
 
 CLASSIFICAÇÃO DE RECURSOS MINERAIS COMO CLASSIFICAR RECURSOS
MINERAIS CONHECIMENTO GEOLÓGICO GEOKRIGAGEM RECURSOS MINERAIS
Veja mais

 Artigo anteriorRetrospectiva
da Geoestatística XVII: Geoestatística:
modelagem da incerteza espacial (Chilès e Delfiner, 1999)
 Próximo artigoInovação Tecnológica na Mineração (Parte IIII)

Escrito por Jorge Kazuo Yamamoto

Prof. Dr. Jorge Kazuo Yamamoto, fundador da Geokrigagem, é geólogo, foi pesquisador do IPT
e docente do Instituto de Geociências da USP, onde se aposentou como Professor Titular do
Departamento de Geologia Sedimentar e Ambiental. Atualmente, atua como Professor Sênior do
Departamento de Engenharia de Minas e de Petróleo – Escola Politécnica – USP. É responsável
pela disciplina “Métodos geoestatísticos” na Pós-Graduação do IPT – Investigação do subsolo:
Geotecnia e Meio Ambiente. Dedica-se ao ensino de geoestatística, com ênfase no
desenvolvimento de algoritmos e pesquisa de novas aplicações, tais como: variância de
interpolação, cálculo da variância global de depósitos minerais e correção do efeito de
suavização da krigagem. Ultimamente, seu interesse está voltado para o ensino e divulgação da
linguagem R.