Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DE GOIÁS – UFG CAMPUS CATALÃO – CAC CURSO DE ENGENHARIA DE MINAS TRABALHO DE CONCLUSÃO DE CURSO PAULO ELIAS CARNEIRO PEREIRA MÉTODOS GEOESTATÍSTICOS DE ESTIMATIVA E CLASSIFICAÇÃO DE RECURSOS E RESERVAS MINERAIS E ESTUDO DE CASO DE UM DEPÓSITO DE COBRE CATALÃO MARÇO, 2013 PAULO ELIAS CARNEIRO PEREIRA MÉTODOS GEOESTATÍSTICOS DE ESTIMATIVA E CLASSIFICAÇÃO DE RECURSOS E RESERVAS MINERAIS E ESTUDO DE CASO DE UM DEPÓSITO DE COBRE Trabalho de Conclusão de Curso apresentado ao curso de Engenharia de Minas da Universidade Federal de Goiás - UFG, como requisito parcial para obtenção do título de bacharel em Engenharia de Minas. Orientador: Prof°.Ms. Alcides Eloy Cano Nunez Co-Orientador: Prof°.Ms. Carlos Enrique Arroyo Ortiz CATALÃO MARÇO, 2013 Dados Internacionais de Catalogação na Publicação (CIP) BSCAC/UFG P436m Pereira, Paulo Elias Carneiro. Métodos geoestatísticos de estimativa e classificação de recursos e reservas minerais e estudo de caso de um depósito de cobre [manuscrito] / Paulo Elias Carneiro Pereira. - 2013. 121 f. : il., figs., tabs. Orientador: Profº. Ms. Alcides Eloy Cano Nunez: Co – Orientador: Profº. Ms.Carlos Enrique Arroyo Ortiz. Monografia (Graduação) – Universidade Federal de Goiás, Campus Catalão, Departamento de Engenharia de Minas, 2013. Bibliografia. Inclui lista de figuras e tabelas. 1. Estimativa. 2. Recursos - minerais. 3. Geoestatística. 4. Variograma. 5. Modelamento – geológico. I. Título. CDU: 553.43:551.1/.4 AGRADECIMENTOS Os meus agradecimentos aos professores Alcides Eloy Cano Nunez, Henrique Senna Diniz Pinto e Elenice Schons Silva pela orientação e apoio que foram fundamentais para a realização deste trabalho. Os meus mais profundos agradecimentos a todos os professores do Centro Acadêmico de Engenharia de Minas por todo o apoio, conselhos e lições de vida que ajudaram a me tornar a pessoa que sou hoje. Muito Obrigado! Agradeço também imensamente aos meus pais e familiares que sempre estiveram comigo e tiveram paciência neste período de formação acadêmica, e o mais importante, por me ensinarem o valor das coisas. Aos meus amigos e colegas, que conviveram comigo ao longo desses anos e que sempre deram o seu apoio, passaram-me experiências de vida muito valiosas, ajudaram-se a vencer os desafios e foram essenciais na realização deste trabalho com suas sugestões. Os meus agradecimentos a Elielton Trevizan, Gabriel Gomes, Leonardo Souza, Lucas Pereira, Rodrigo Costa, Marília Santos, Sávio Cantanhede, Douglas Assunção, Rafael Alvarenga, Gabriela Santos, Renato de Paula, Rafael Gonçalves, Raphael Silva, Isabela Frezza, João Barcelos, Danielle Gouvêa, Marrarriste Souza, Tulyo Maia e demais colegas e amigos. Muito obrigado a todos! Agradeço muito a todos que diretamente ou indiretamente deram suas sugestões e foram imprescindíveis na conclusão desta monografia. Os meus mais profundos agradecimentos. RESUMO A estimativa e classificação dos recursos minerais é uma etapa crucial na fase de exploração mineral em um empreendimento mineiro, uma vez que serão sobre os resultados obtidos nesta que serão baseados os estudos de viabilidade econômica do depósito. As técnicas de estimativa tradicionais (inverso do quadrado da distância, método dos triângulos, entre outros) permitem uma estimativa em situações menos complexas, além de não permitirem a medição dos erros na estimativa. As ferramentas de estimativa baseadas na geoestatística, diferentemente dessas, permitem uma estimativa consistente com os dados amostrais, além de permitirem a consideração de anisotropias presentes no depósito e a medição dos erros de estimativa, que são essenciais na avaliação do modelo e tomadas de decisões. Desta forma, este trabalho aborda os principais métodos internacionais de classificação de recursos e reservas, os métodos tradicionais e geoestatísticos para a estimativa e classificação de recursos e, a partir de um estudo de caso de um depósito de cobre, mostra e verifica a aplicação da geoestatística na estimativa e classificação de recursos, além de verificar o comportamento da variância de krigagem com a variação do suporte das estimativas (blocos) e analisar a validação dos variogramas obtidos na análise geoestatística através da validação cruzada. Palavras-chave: estimativa; recursos minerais; geoestatística; variograma; modelamento geológico. ABSTRACT The estimation and classification of mineral resources is a decisive stage on the mineral exploration phase in a mining enterprise, since it will be on the results obtained in this phase that the economic viability of the deposit will be based. The traditional estimating techniques (inverse of distance square, triangles method, and others) allow an estimate in less complex situations, and don’t allow the measurement of the estimation errors. The estimating tools based on geostatistics, unlike these, allow an estimate consistent with the sample data, and allow the consideration of anisotropy present in the deposit and the measurement of estimating errors, which are essentials in the evaluation of the model and decision making. Thus, this paper discusses the main international methods for classification of mineral resources and reserves, the traditional and geostatistical methods for estimation and classification of resources and, based on a case study of a copper deposit, shows and verifies the application of the geostatistic on the estimation e classification of mineral resources, and verify the behavior of kriging variance with the variation of the estimate supports (blocks) and examine the validation of the experimental variograms obtained in the geostatistical analysis through the cross validation. Keywords: estimating; mineral resources; geostatistic; variogram; geological modeling; LISTA DE FIGURAS Figura 1 – Histórico do desenvolvimento das normas para classificação de recursos e reservas. ................................................................................................................. 19 Figura 2 - Classificação de recursos minerais e reservas de minério. ...................... 21 Figura 3 – Métodos geométricos de estimativa de recursos: (a) blocos regulares, (b) blocos irregulares, (c) poligonal, (d) bissecção angular, (e) triângulos, (f) seções paralelas. ................................................................................................................... 25 Figura 4 – Detalhes da construção de uma área poligonal. Os círculos são os pontos de dados, as linhas tracejadas ligam pontos de dados adjacentes e as linhas contínuas são perpendiculares às tracejadas e formam os polígonos. ..................... 26 Figura 5– Exemplo de aplicação de Isolinhas (contorno) em um depósito. .............. 27 Figura 6 – Classificação de recursos pelo método da Área de Influência. ................ 28 Figura 7 – Exemplo de um histograma da variância de krigagem para classificação de recursos. ............................................................................................................... 32 Figura 8 – Esquema mostrando as principais propriedades do variograma. ............. 40 Figura 9 – Comportamento do variograma na origem. Parabólico (a); Linear (b); Efeito Pepita (c) e Efeito Pepita Puro (d). .................................................................. 42 Figura 10 – Representação de uma anisotropia geométrica demonstrada por dois variogramas em duas direções diferentes. ................................................................ 43 Figura 11 – Variogramas experimentais e seus respectivos modelos para três direções com a representação dos alcances em um elipsoide mostrando a anisotropia geométrica. .............................................................................................44 Figura 12 – Variogramas mostrando a variação da amplitude (continuidade) e do patamar nos casos em que o variograma é realizado paralelamente e perpendicularmente aos estratos. ............................................................................. 45 Figura 13 – Mapa de variogramas característicos de uma estrutura anisotrópica. Estes diagramas são muito úteis para determinação de direções de continuidade principal. .................................................................................................................... 46 Figura 14 – Variograma experimental hipotético mostrando o comportamento dos pontos com o aumento da distância. ......................................................................... 47 Figura 15 – Arranjo de dados unidimensionais com formato regular (acima) e irregular (abaixo) ilustrando como é realizada a tomada dos pares de pontos para o cálculo do variograma. .............................................................................................. 48 Figura 16 – Ilustração de como a tolerância é aplicada para selecionar pares de pontos separados por uma distância h ± e a partir de uma tolerância de passo de ± d/2 e de uma tolerância angular θ. ............................................................................ 50 Figura 17 – Exemplo de um modelo esférico de variograma, que é definido pelo Efeito Pepita (C0), o patamar do componente estruturado (C1) e pelo alcance (a). .. 52 Figura 18 – Exemplo de um modelo exponencial de variograma. Os principais parâmetros são a amplitude (a), o patamar (C) e o Efeito Pepita (C0). ..................... 53 Figura 19 – Exemplo de um modelo Gaussiano. Os parâmetros do modelo são o patamar (C0 + C), o Efeito Pepita (C0) e o alcance (a), atingido assintoticamente. ... 54 Figura 20 – Comportamento típico do modelo linear. Neste caso não ocorrência de Efeito Pepita, p é uma constante e h é a separação entre as amostras. .................. 55 Figura 21 – Exemplo de um modelo de variograma composto mostrando como duas estruturas são combinadas para formar o modelo final que se ajusta ao variograma experimental. ............................................................................................................. 56 Figura 22 – Arranjo demonstrativo dos pontos amostrais para a determinação dos pesos na estimativa do teor no bloco. ....................................................................... 58 Figura 23 – Arranjo dos pontos amostrais e o bloco para ser estimado mostrando como são obtidos os valores do variograma entre os pontos amostrais e os pontos do bloco a estimar. .................................................................................................... 60 Figura 24 – Exemplo de um bloco para a estimativa de teores a partir das amostras próximas (triângulos preenchidos) ............................................................................ 63 Figura 25 – Gráfico de dispersão dos pares de valores estimados e reais obtidos por Validação Cruzada. ................................................................................................... 67 Figura 26 – Fluxograma mostrando sumariamente as atividades realizadas ............ 69 Figura 27 – Orientação e posição dos furos de sondagem em planta. A variação da cor nos furos está relacionada aos teores de cobre. ................................................. 71 Figura 28 – Arranjo dos furos de sondagem na posição vertical. .............................. 71 Figura 29 – Arranjo dos furos de sondagem em perspectiva. ................................... 71 Figura 30 – Vista em perspectiva dos furos de sondagem, da topografia e das superfícies das falhas. ............................................................................................... 72 Figura 31 – Vista de uma seção vertical utilizada no modelamento geológico do corpo. ........................................................................................................................ 73 Figura 32 – Vista em perspectiva das seções transversais ....................................... 73 Figura 33 – Modelo geológico em planta. Os modelos marrom, verde, amarelo, vermelho e bege representam, respectivamente, o basalto, o CBO, o MBO, o PYO e o MYO. ...................................................................................................................... 84 Figura 34 – Modelo geológico em seção com a falha paralela ao modelo. ............... 85 Figura 35 – Modelo completo com as falhas que controlam as propriedades geotécnicas do depósito. ........................................................................................... 85 Figura 36 – Vista em planta na direção Sul-Norte do modelo de blocos geral de 5m. .................................................................................................................................. 86 Figura 37 – Vista do modelo de blocos em seção vertical na direção Sul-Norte. ...... 86 Figura 38 – Vista do modelo em seção vertical na direção Oeste-Leste. .................. 87 Figura 39 - Histograma dos teores de cobre para unidade Basalto. ......................... 88 Figura 40 – Histograma dos teores de cobre para o subtipo CBO. ........................... 88 Figura 41 – Histograma dos dados amostrais dos teores de cobre para o subtipo MBO. ......................................................................................................................... 89 Figura 42 – Histograma dos teores de cobre para o conjunto MYO-PYO. ................ 90 Figura 43 – Variograma na vertical para o tipo MBO ajustado por modelos teóricos. .................................................................................................................................. 91 Figura 44 – Variograma horizontal no azimute 340° ajustado. .................................. 92 Figura 45 – Variograma horizontal no azimute 70° ajustado por modelos teóricos ... 92 Figura 46 – Variograma experimental e modelo ajustado na direção vertical unidade MYO-PYO ................................................................................................................. 93 Figura 47 – Variogramas experimental e ajustado do azimute de 5° para a unidade MYO-PYO ................................................................................................................. 94 Figura 48 – Variograma e modelo variográfico ajustado no azimute de 95° ............. 94 Figura 49 – Variograma e modelo ajustado na vertical para a unidade CBO. ........... 95 Figura 50 – Variograma modelado na direção norte para a unidade CBO. ............... 96 Figura 51 – Variograma modelado na direção leste unidade CBO. .......................... 96 Figura 52 – Variograma experimental e modelo teórico na vertical para a unidade Basalto ...................................................................................................................... 97 Figura 53 – Variograma e modelo ajustado no azimute de 30° para o Basalto ......... 98 Figura 54 – Variograma e modelo ajustado no azimute 120° .................................... 98 Figura 55– Diagrama de dispersão gerada pela validação cruzada do tipo MBO ... 100 Figura 56 – Diagrama de dispersão dos teores para o conjunto MYO-PYO ........... 101 Figura 57 – Diagrama de dispersão da validação cruzada para a unidade CBO .... 101 Figura 58 – Resultados da validação cruzada para a unidade Basalto ................... 102 Figura 59 – Seção vertical da parte sul do depósito na direção leste ..................... 103 Figura 60 – Seção vertical da parte norte do depósito na direção leste .................. 104 Figura 61 – Seção em planta do depósito com os teores estimados ...................... 104 Figura 62 – Vista geral do depósito mostrando o comportamento dos teores de cobre estimados ................................................................................................................ 105 Figura 63 – Histogramados teores de cobre do modelo de blocos de 5m unidade MBO. ....................................................................................................................... 106 Figura 64 – Histograma dos teores de cobre estimados do modelo de 2,5m para a unidade MBO .......................................................................................................... 106 Figura 65 – Histograma dos teores de cobre do modelo de blocos de 5m unidade PYO ......................................................................................................................... 107 Figura 66 – Histograma dos teores de cobre estimados do modelo de 2,5m para a unidade PYO ........................................................................................................... 108 Figura 67 – Histograma dos teores de cobre da unidade CBO para o modelo de 5m ................................................................................................................................ 109 Figura 68 – Histograma dos teores de cobre estimados para a unidade CBO do modelo de 2,5m ....................................................................................................... 109 Figura 69 – Histograma dos teores de cobre estimados para a unidade MYO (5m) ................................................................................................................................ 110 Figura 70 – Histograma dos teores de cobre estimados para a unidade MYO (2,5m) ................................................................................................................................ 111 Figura 71 – Histograma dos teores de cobre estimados para a unidade Basalto com modelo de 5m .......................................................................................................... 112 Figura 72 – Histograma dos teores de cobre estimados para a unidade Basalto com modelo de 2,5m ....................................................................................................... 112 Figura 73– Histograma da variância de krigagem para o modelo de 5m ................ 113 Figura 74 – Histograma da variância de krigagem para o modelo de 2,5m ............ 114 LISTA DE TABELAS Tabela 1– Classificação de recursos/reservas em função da densidade amostral. .. 24 Tabela 2 – Classificação de recursos/reservas minerais baseada no desvio padrão de krigagem. .............................................................................................................. 32 Tabela 3 – Classificação de recursos minerais de acordo com o erro de krigagem da média. ....................................................................................................................... 33 Tabela 4 – Classificação de recursos/reservas a partir do desvio padrão de interpolação. .............................................................................................................. 33 Tabela 5 – Classificação das categorias de recurso a partir da medida de eficiência do bloco. .................................................................................................................... 34 Tabela 6 – Códigos das zonas e respectivas tipologias. ........................................... 74 Tabela 7 – Modelo de arquivo de parâmetros variográficos (pvgram) utilizados no sistema Datamine para a estimativa de teores. ......................................................... 77 Tabela 8 – Considerações sobre o significado dos parâmetros variográficos da Tabela 7. ................................................................................................................... 77 Tabela 9 – Modelo de um arquivo de busca (elipsoide) usado na plataforma Datamine. .................................................................................................................. 77 Tabela 10 – Descrição dos parâmetros do arquivo de busca ................................... 78 Tabela 11 – Modelo de um arquivo de estimativa usado para a estimação de teores no softwareDatamine Studio. .................................................................................... 79 Tabela 12 – Descrição dos parâmetros utilizados no arquivo de estimativa. ............ 79 Tabela 13 – Parâmetros variográficos utilizados na estimativa da unidade MBO ..... 80 Tabela 14 – Parâmetros de busca utilizados na unidade MBO. ................................ 80 Tabela 15 – Parâmetros de estimativa para a unidade MBO. ................................... 80 Tabela 16 – Parâmetros variográficos para o conjunto MYO-PYO ........................... 81 Tabela 17 – Parâmetros de busca do conjunto MYO-PYO ....................................... 81 Tabela 18 – Parâmetros de estimativa do conjunto MYO-PYO ................................. 81 Tabela 19 – Parâmetros de variogramas para a unidade CBO ................................. 82 Tabela 20 – Parâmetros do elipsoide de busca para a unidade CBO ....................... 82 Tabela 21 – Parâmetros de estimativa para a unidade CBO .................................... 82 Tabela 22 – Parâmetros variográficos para a unidade Basalto ................................. 83 Tabela 23 – Parâmetros de busca para a estimativa da unidade Basalto ................. 83 Tabela 24 – Parâmetros de estimativa para a unidade Basalto ................................ 83 Tabela 25 – Parâmetros variográficos dos variogramas teóricos ajustados para a unidade MBO ............................................................................................................ 91 Tabela 26 – Parâmetros variográficos dos modelos ajustados para a unidade MYO- PYO. .......................................................................................................................... 93 Tabela 27 – Parâmetros dos modelos teóricos ajustados para a unidade CBO. ...... 95 Tabela 28 – Parâmetros dos modelos ajustados para a unidade Basalto. ................ 97 Tabela 29 – Resultados da cubagem por unidades mineralógicas/tipológicas do modelo de 5m .......................................................................................................... 115 Tabela 30 – Resultados da cubagem da classificação geral dos recursos minerais do modelo de 5m .......................................................................................................... 115 Tabela 31 – Cubagem do modelo de blocos de 2,5m em relação às unidades tipológicas ............................................................................................................... 115 Tabela 32 – Cubagem do modelo de blocos de 2,5m em relação à classificação geral de recursos ..................................................................................................... 116 SUMÁRIO 1. INTRODUÇÃO ................................................................................................... 13 2. OBJETIVOS ....................................................................................................... 15 2.1. OBJETIVOS GERAIS ................................................................................... 15 2.2. OBJETIVOS ESPECÍFICOS ........................................................................ 15 3. JUSTIFICATIVA ................................................................................................. 16 4. REVISÃO BIBLIOGRÁFICA ............................................................................... 17 4.1 ESTIMATIVA DE RECURSOS ..................................................................... 17 4.2 CLASSIFICAÇÃO DE RECURSOS E RESERVAS ...................................... 17 4.3 MÉTODOS DE ESTIMATIVA E CLASSIFICAÇÃO ...................................... 23 4.3.1 Métodos Tradicionais ........................................................................... 23 4.3.1.1 Continuidade Geológica................................................................ 23 4.3.1.2 Densidade Amostral .....................................................................24 4.3.1.3 Métodos Geométricos ................................................................... 24 4.3.1.4 Método de Contorno ..................................................................... 27 4.3.1.5 Área de Influência ......................................................................... 28 4.3.1.6 Inverso da Potência da Distância ................................................. 29 4.3.2 Métodos Geoestatísticos ..................................................................... 30 4.3.2.1. Alcance do Variograma ................................................................ 30 4.3.2.2. Variância de Krigagem ................................................................. 31 4.3.2.3. Erro de Krigagem da Média .......................................................... 32 4.3.2.4. Desvio Padrão de Interpolação ..................................................... 33 4.3.2.5. Medida de Eficiência do Bloco ...................................................... 33 4.4 FUNDAMENTOS DA GEOESTATÍSTICA .................................................... 34 4.4.1. Teoria das Variáveis Regionalizadas ................................................... 35 4.4.2. O Variograma ....................................................................................... 38 4.4.2.1. Propriedades do Variograma ........................................................ 40 4.4.2.2. Comportamento na Origem .......................................................... 41 4.4.2.3. Anisotropia .................................................................................... 42 4.4.2.4. Cálculo de Variogramas Experimentais ........................................ 46 4.4.2.5. Ajuste de Variogramas por Modelos Teóricos .............................. 50 4.4.3. Krigagem ............................................................................................. 56 4.4.3.1. Krigagem Ordinária ....................................................................... 57 4.4.3.2. Pesos Negativos na Krigagem ...................................................... 64 4.4.3.3. Validação Cruzada ....................................................................... 66 5. METODOLOGIA ................................................................................................ 69 5.1. CARACTERÍSTICAS DO DEPÓSITO .......................................................... 70 5.2. ANÁLISE PRELIMINAR ............................................................................... 70 5.3. MODELAMENTO GEOLÓGICO .................................................................. 72 5.4. ANÁLISE ESTATÍSTICA E GEOESTATÍSTICA ........................................... 74 5.5. ESTIMATIVA DE RECURSOS ..................................................................... 75 6. RESULTADOS E DISCUSSÃO ......................................................................... 84 6.1. MODELAMENTO GEOLÓGICO .................................................................. 84 6.2. ANÁLISE ESTATÍSTICA E ESTRUTURAL .................................................. 87 6.3. VALIDAÇÃO CRUZADA .............................................................................. 99 6.4. ESTIMATIVA E CLASSIFICAÇÃO DOS RECURSOS ............................... 103 7. CONCLUSÃO .................................................................................................. 117 8. REFERÊNCIAS ................................................................................................ 118 13 1. INTRODUÇÃO Um empreendimento mineiro é composto de várias etapas que incluem, cronologicamente, prospecção mineral, pesquisa mineral, desenvolvimento da mina, explotação (operação) e fechamento. O gerenciamento correto dessas etapas é imprescindível para o sucesso do empreendimento. Nos projetos de mineração, uma das etapas que merece maior atenção é a fase de pesquisa mineral. Nesta são realizadas a coleta de amostras em campo, preparação do banco de dados, modelamento geológico do corpo mineral, estimativa dos teores e tonelagem do depósito e avaliação econômica do empreendimento. Dentre estas atividades, a mais crítica neste processo é a estimativa de recursos e reservas minerais uma vez que serão sobre os resultados obtidos nesta etapa que serão baseados os estudos de viabilidade econômica subsequentes. As atividades tais como planejamento e otimização de cavas, orientação dos avanços da lavra, projeção de fluxos de caixa, projetos de financiamento e a operação da usina de tratamento de minérios requerem, além da prévia estimativa dos recursos disponíveis, a correta classificação destes. A estimativa de recursos é baseada em dados amostrais obtidos em campo. Como qualquer estimativa baseada em amostras, essa está sujeita a um erro de estimativa, que é conhecido somente após a lavra. As estimativas de recursos geralmente ignoram as incertezas envolvidas, as quais podem influenciar dramaticamente o modelo e a forma de se trabalhar com os resultados obtidos. Desta forma, a estimativa das tonelagens e teores do depósito e a subsequente classificação dos recursos devem ser acompanhadas de um modelo que aborde uma quantificação dos riscos (erros) envolvidos. A indústria mineral tem há muito tempo tentado estabelecer padrões para a avaliação e classificação dos recursos estimados. A necessidade de estabelecer padrões internacionalmente reconhecidos para a classificação de recursos se tornou mais relevante com a maior internacionalização das empresas de mineração e a operação destas em bolsas de valores internacionais. Algumas instituições tais como a AusIMM (Australasian Institute of Mining & Metallurgy), SAIMM (South African Institute of Mining & Mettalurgy), SME (Society of 14 Mining, Metallurgy and Exploration) tem se engajado no desenvolvimento e publicação de normas para classificação de recursos, sendo que uma das mais conhecidas internacionalmente é proveniente da AusIMM, cuja norma é conhecida como “Código JORC”. As principais classificações de recursos são baseadas na distância média entre os dados amostrais disponíveis e na confiança ou grau de incerteza associado à estimativa. Usualmente, nos métodos clássicos (inverso do quadrado da distância, e outros), a inferência do erro de estimativa é feita baseada na área de influência dos furos de sondagem (distância entre furos). Desta forma, utiliza-se esquemas baseados mais em aspectos relacionados à geometria que em medidas de dispersão do erro. Ao contrário desses métodos, as técnicas geoestatísticas de estimativa permitem mapear e caracterizar as incertezas associadas à estimativa, sendo adequada para a classificação de recursos. Este trabalho busca mostrar as atividades pertinentes à estimativa de recursos a partir de um estudo prático de um depósito de cobre com base na abordagem geoestatística para a inferência dos recursos e classificação dos mesmos, considerando-se as formas de classificação reconhecidas internacionalmente. Além disso, aborda, também, através do estudo prático, a influência do tamanho do bloco na estimativa, principalmente no que tange à variância de krigagem, e faz estudos de validação cruzada a partir dos dados obtidos no intuito de analisar a validade dos modelos geoestatísticos. Os resultados abordam a variação dos teores no depósito de acordo com a estimativa por krigagem ordinária e tonelagem do depósito em termos da classificação internacional de recursos estimados (medidos, indicados e inferidos). Além disso, mostra a influência das dimensões da unidade seletiva de lavra (bloco) na estimativa, que conforme aumenta de dimensão a variância de krigagem diminui; e discute a validade dos modelos de variogramas através de diagramas de dispersão obtidos por validação cruzada. 15 2. OBJETIVOS 2.1. OBJETIVOS GERAIS Este trabalho visa avaliar a eficiência de métodos baseados emmodelos geoestatísticos para classificação de unidades seletivas de lavra. 2.2. OBJETIVOS ESPECÍFICOS Os objetivos específicos são: • comentar as diferenças entre os modelos geoestatísticos e as práticas convencionais; • mostrar como a técnica geoestatística é adequada para a estimativa de recursos e avaliação de riscos (erros) para a classificação de recursos/reservas minerais de acordo com padrões internacionais; • realizar estudos de variografia de um depósito de cobre; • estimarum depósito de cobre a partir de métodos geoestatísticos e analisar os resultados obtidos quanto à eficiência dos métodos geoestatísticos na estimativa e classificação de recursos/reservas minerais. 16 3. JUSTIFICATIVA Na atividade mineral uma das etapas mais críticas para o sucesso do empreendimento é a determinação dos recursos/reservas disponíveis, uma vez que serão sobre os resultados obtidos nessa etapa que serão realizados os estudos de viabilidade (técnica, econômica, social e ambiental) do empreendimento. A maioria das operações de controle de teores é realizada por meio de estimadores tradicionais (inverso do quadrado da distância, triangulação, dentre outros), que não fornecem estimativas do erro (risco). Portanto é necessária uma ferramenta adequada que permita uma quantificação (aproximação) destes, de forma a relatar os diversos graus de riscos (incertezas) de cada região do depósito. 17 4. REVISÃO BIBLIOGRÁFICA 4.1 ESTIMATIVA DE RECURSOS A estimativa de recursos minerais (tonelagem e teor) é uma etapa importante, das atividades de exploração mineral (Pesquisa Mineral). Essa consiste na estimativa dos teores em pontos ou regiões não amostrados do depósito a partir de técnicas matemáticas convencionais ou, mais seguramente, por meio de técnicas geoestatísticas, que geram resultados de estimativas mais confiáveis. A estimativa de recursos sucede as seguintes etapas: amostragem dos testemunhos, análises químicas para determinação da composição das amostras, formulação do banco de dados em um software (Datamine Studio, Vulcan, dentre outros), modelamento geológico e formulação de um modelo de blocos do depósito, que é a ferramenta adequada para a estimativa e operação de lavra. A avaliação dos recursos/reservas será a base sobre a qual serão definidos os estudos de viabilidade econômica, caso os resultados obtidos na estimativa atendam os objetivos estratégicos do minerador. Desta forma, uma estimativa e uma classificação adequadas dos recursos/reservas são imprescindíveis para uma correta avaliação econômica do projeto, permitindo uma tomada de decisão altamente fundamentada e confiável (SOUZA, 2002). A classificação dos recursos e reservas após a estimativa deve refletir a confiabilidade (ou erro) nos vários pontos ou blocos estimados para se obter uma base confiável, sobre a qual serão realizados os estudos de avaliação econômica. Esse grau de confiabilidade “é inerente aos métodos de pesquisa utilizados, métodos analíticos, à precisão da localização dos pontos de amostragem, e, principalmente, à variabilidade apresentada pelo corpo de minério” (YAMAMOTO, 2001). 4.2 CLASSIFICAÇÃO DE RECURSOS E RESERVAS Ao longo da história, as instituições da indústria mineral vêm procurando estabelecer um sistema de classificação de recursos e reservas para ser utilizado internacionalmente como padrão para a publicação de resultados de estimativa de 18 recursos/reservas. Isso se torna ainda mais necessário no cenário internacional do século XXI com a crescente internacionalização dos empreendimentos minerários, principalmente no que tange à operação em bolsas de valores, onde se necessita de relatar, além da estimativa, a confiabilidade da mesma para negociações de papéis de capital com os investidores. Um esforço relevante para desenvolver padrões internacionais para estimação e publicação de informações de exploração, recursos minerais e reservas minerais começou na década de 1990. O código australiano para publicação de recursos e reservas (Australasian Code for Reporting of Exploration Results, Mineral Resources and Ore Reserves), conhecido como “código JORC” foi publicado em junho de 1988. Em 1999 a versão final deste código foi aprovada e este passou a ser a referência para a publicação de informações de recursos e reservas minerais na Austrália. Em 1994 um comitê denominado de Combined Reserves International Reporting Standards Committee (CRIRSCO), inicialmente um grupo de trabalho do Comitê Internacional das Instituições de Mineração e Metalurgia (Council of Mining and Metallurgical Institutes – CMMI) foi criado com o objetivo de gerar definições internacionais para publicação de recursos minerais e reservas de minério, modelados no código JORC (Geological Society,2012). Há atualmente vários códigos desenvolvidos por instituições da indústria mineral de vários países. Dentre estes têm-se o código australiano JORC (Australasian Code for Reporting of Exploration Results, Mineral Resources and Ore Reserves, 2004), o código norte-americano proposto pela SME (Society of Mining, Metallurgy and Exploration), o sul africano SAMREC (South African Code for Reporting of Mineral Resources and Mineral Reserves) proposto pelo SAIMM (South African Institute of Mining and Metallurgy), dentre outros. No entanto o código JORC “é reconhecido como uma das propostas mais avançadas e organizadas para descrever reservas e recursos minerais” (SOUZA, 2001). A Figura 1 mostra um quadro do histórico do desenvolvimento das normas de classificação. 19 Figura 1 – Histórico do desenvolvimento das normas para classificação de recursos e reservas. Fonte: Modificado de Weatherstone (2008) A classificação de recursos/reservas minerais propostas pelas várias instituições estão baseadas, principalmente, na confiança associada às estimativas e no espaçamento das amostras disponíveis. Tais classificações usam o grau de certeza de recursos como fator discriminante entre as várias classes. Nenhum desses esquemas, entretanto, mostra claramente como se calcula o erro ou o nível de confiabilidade associado a uma dada estimativa. (SOUZA et al, 2001) Na classificação de recursos e reservas minerais é importante a adoção de termos e definições padrões para serem utilizados para publicação de resultados no mercado financeiro. Desta forma, as instituições minerais definiram vários termos necessários para a classificação dos recursos/reservas em suas normas. Em novembro de 1999, o CMMI, juntamente com a UNECE (United Nations Economic Commission for Europe) aprovou, com uma mínima diferença entre os termos definidos pelas nações participantes, as definições dos seguintes termos: reservas minerais, reservas provadas, reservas prováveis, recursos minerais medidos, recursos minerais indicados e recursos minerais inferidos (RENDU, 2000). Deve-se notar que há uma diferença de título acerca da classificação de reservas entre os adotados no código JORC e no CMMI – UNECE, onde o primeiro utiliza o termo Reserva de Minério (Ore Reserve) e o segundo, o termo Reserva Mineral (Mineral Reserve), que é um termo mais geral. 20 O código JORC foi durante muito tempo o único padrão para classificação e publicação de recursos e reservas, sendo atualmente o mais utilizado e aceito para os objetivos de classificação dos resultados de exploração. A classificação de recursos minerais é primordialmente baseada em parâmetros geológicos, estabelecidos através de amostragem. As diferentes classes de recursos são derivadas do grau de confiança na estimativa da estrutura, volume (ou tonelagem), teor, dentre outros. Desta forma, quanto maiores a quantidade e qualidade dos dados utilizados na estimativa, maior será o graude confiança da estimativa (SAD, J. H. G. et al, 2003). O processo de classificação de reservas possui o mesmo princípio utilizado para a classificação de recursos minerais. Entretanto, enquanto os recursos minerais podem ser estimados a partir de informações geológicas, as reservas, que são provenientes dos recursos minerais, são dependentes dos chamados “fatores modificadores” tais como: aspectos de lavra, processo de tratamento do minério, lucro obtido, custos de lavra e processamento, governo, marketing, questões ambientais, dentre outros (JORC, 2004). O Código JORC mostra um sistema de classificação de recursos e reservas baseado no nível de conhecimento geológico e grau de confiança da estimativa (Figura 2), que é aprovado em grande parte do mundo, principalmente pelas Nações Unidas. Neste, os recursos minerais podem ser classificados em “inferidos”, “indicados” e “medidos” de acordo com o aumento do nível de conhecimento geológico e qualidade dos dados de amostragem. As reservas de minério são um subconjunto modificado dos recursos minerais medidos e indicados. Desta forma, os recursos minerais medidos, após a consideração dos “fatores modificadores”, podem ser convertidos em “reservas de minério provadas” e “reservas de minério prováveis”, enquanto os recursos indicados são convertidos em “reservas de minério prováveis”. A possibilidade de se converter recursos medidos em reservas prováveis é baseada nas incertezas em alguns ou todos os fatores modificadores a serem considerados no processo, baseados no julgamento de uma “pessoa competente” (Competent Person). 21 Figura 2 - Classificação de recursos minerais e reservas de minério. Fonte: Modificado de Joint Ore Reserves Committee of The Australasian Institute of Mining and Metallurgy - JORC (2004). Um recurso mineral é definido, segundo os critérios do Código JORC, como [...] uma concentração ou ocorrência de material de interesse econômico intrínseco na ou sobre a crosta da Terra em tal forma, qualidade e quantidade que há perspectivas razoáveis para uma possível extração econômica (JORC, 2004). Deve-se notar que as porções do depósito que não possuem perspectivas razoáveis para uma eventual extração econômica não devem ser incluídas no inventário de recurso mineral, e este termo abrange toda mineralização que foi identificada e estimada a partir de exploração e amostragem (JORC, 2004). Na classificação dos recursos minerais, um recurso mineral inferido é [...] aquela parte do Recurso Mineral a qual a tonelagem, teor e conteúdo mineral podem ser estimados com um baixo nível de confiança. É inferido a partir de evidência geológica, mas não verificada continuidade geológica a/ou de teores (JORC, 2004). A categoria de recurso mineral inferido cobre situações onde uma ocorrência mineral foi identificada e realizada a amostragem, mas os dados são insuficientes para permitir a interpretação adequada da continuidade geológica e/ou dos teores. É de se esperar que os recursos inferidos sejam atualizados para recursos indicados com exploração local adicional, fornecendo mais informações para as devidas interpretações. A categoria de recurso mineral acima da intitulada recurso inferido é a de recurso indicado, que “[...] é aquela parte do Recurso Mineral para o qual tonelagem, 22 densidades, forma, características físicas, teor e conteúdo mineral podem ser estimados com um nível razoável de confiança” (JORC, 2004). Nesta categoria a confiança na estimativa é suficiente para permitir a aplicação de parâmetros técnicos e econômicos e uma avaliação de viabilidade econômica. A categoria de recurso mineral com maior confiança é a de recurso mineral medido, que “[...] é aquela parte do Recurso Mineral para o qual tonelagem, densidades, forma, características físicas, teor e conteúdo mineral podem ser estimados com um alto nível de confiança” (JORC, 2004). Os recursos minerais, após a consideração dos “fatores modificadores”, são convertidos em reservas de minério. Segundo o Código JORC, uma reserva de minério “[...] é a parte economicamente lavrável de um Recurso Mineral Medido e/ou Indicado” (JORC, 2004). Nesta classificação, normalmente os recursos medidos são convertidos em reservas provadas e os indicados em reservas prováveis. Uma reserva de minério provável, segundo a classificação do Código JORC, é a parte “[...] economicamente lavrável de um Recurso Mineral Indicado, e em algumas circunstâncias, de um Recurso Mineral Medido” (JORC, 2004). Já no caso da reserva de minério provada, esta envolve a “[...] parte economicamente lavrável de um Recurso Mineral Medido” (JORC, 2004). A escolha da categoria apropriada de recurso mineral e reserva mineral é determinada principalmente pelo nível de confiança da estimativa e pela incerteza dos fatores modificadores (caso para reserva de minério). O nível de confiança pode ser estimado através do erro de estimativa, entretanto as técnicas clássicas de estimativa de recursos não permitem uma avaliação consistente dos erros, e, de acordo com Souza (2001), “[...] os mais recentes códigos de classificação, ressaltam a geoestatística como uma das únicas ferramentas capazes de permitir a incorporação de níveis de confiança [...]”. Segundo Yamamoto (2001) apud Souza (2001), “[...] os métodos de classificação que fazem uso da geoestatística, por fornecerem medidas reais de dispersão, seriam mais confiáveis e refletiriam a quantidade e qualidade das informações utilizadas na avaliação de recursos minerais”. A medida de dispersão do erro para classificação dos recursos e, posteriormente para reservas pode ser dada pela variância de krigagem, que é uma técnica de estimativa fornecida pela geoestatística (SOUZA, 2002). 23 4.3 MÉTODOS DE ESTIMATIVA E CLASSIFICAÇÃO A estimativa e classificação de recursos/reservas, por ser uma etapa após a finalização das campanhas de pesquisa e precedente à avaliação econômica, necessita de maior atenção quanto à coerência dos resultados obtidos. Como qualquer avaliação feita com base em dados amostrais está sujeita à variações em torno do valor verdadeiro, as estimativas realizadas devem ser capazes de refletir os riscos envolvidos (SOUZA, 2002). As várias abordagens utilizadas ao longo do tempo sempre buscaram obter respostas sobre três questões principais envolvidas no processo: a quantidade de bem mineral existente, o teor médio e o grau de certeza associado à estimativa (SOUZA, 2002). Os principais critérios de classificação utilizados no mundo estão baseados principalmente na confiança geológica e na viabilidade econômica. Os principais métodos utilizados para a classificação de recursos minerais podem ser divididos em dois grupos: (i) os critérios tradicionais ou clássicos e (ii) os critérios baseados na geoestatística (SOUZA, 2002). 4.3.1 Métodos Tradicionais Os métodos tradicionais se baseiam, principalmente, em critérios geométricos, de continuidade geológica, de regiões de influência das amostras e de densidade amostral. Na sequência têm-se as características de cada método. 4.3.1.1 Continuidade Geológica A classificação depende do entendimento e compreensão da gênese do depósito e da apreciação da continuidade geológica do corpo mineralizado. Essa continuidade pode ser encarada como a estimativa de possibilidade da mineralização persistir em cada bloco. As áreas seriam classificadas em “medida”, “indicada” e “inferida” de acordo com a aferição da continuidade geológica (SOUZA, 2002). 24 4.3.1.2 Densidade Amostral Este método se baseia na quantidade de amostras dentro de um determinado raio de afastamento. Assim, é exigido de que um número mínimo de amostras esteja dentro de um mesmo raio de afastamento para que um dado bloco possa ser considerado na classificação de recursos (Tabela 1), sendo que os blocosestimados com número de amostras inferior ao mínimo seriam considerados apenas como recurso inferido (SOUZA, 2002). Tabela 1– Classificação de recursos/reservas em função da densidade amostral. Tipos de Depósitos Densidade de amostras para classes de recursos Medida Indicada Inferida Depósito de carvão de Witbank (África do Sul) 250 por 250 m 350 por 350 m 500 por 500 m Depósitos de ouro de Saddleback (Western Austrália) 25 por 25 m 50 por 50 m 100 por 100 m Depósitos de níquel laterítico 25 por 25 m 50 por 50 m 100-200 por 100-200 Placers de minerais pesados (Western Autralia) 200 por 40 m 400 por 80 m Continuidade geológica Fonte: SOUZA (2002) 4.3.1.3 Métodos Geométricos Estes se baseiam em critérios estritamente geométricos da malha de sondagem e da posição dos furos de sonda para determinar a influência das amostras. Os principais métodos associados são os métodos dos polígonos, dos triângulos, das seções paralelas, dos blocos regulares e dos blocos irregulares (Figura 3) (SOUZA, 2002). 25 Figura 3 – Métodos geométricos de estimativa de recursos: (a) blocos regulares, (b) blocos irregulares, (c) poligonal, (d) bissecção angular, (e) triângulos, (f) seções paralelas. Fonte: SINCLAIR; BLACKWELL (2004) Os métodos poligonais incluem certo número de diferentes abordagens para a utilização de quantidades limitadas de dados para estimar volumes individuais de polígonos que foram definidos geometricamente. Uma das formas mais utilizadas para se determinar os polígonos é pela aplicação de uma série de bissetrizes perpendiculares à linhas que unem locais de amostragem (Figura 4), de forma que cada polígono contém uma amostra centrada (SINCLAIR; BLACKWELL, 2004). No método dos polígonos a distância das amostras entre si é uma medida de influência espacial de cada uma delas para a inferência dos valores locais e globais. Desta forma, todos os pontos que pertencem a um polígono tomam o valor da amostra do centro do polígono e qualquer ponto no espaço recebe o valor da amostra mais próxima (SOARES, 2006). Estas características fazem com que o método seja simples, rápido e permita um desagrupamento automático dos dados, entretanto, este não considera a variabilidade espacial dos dados de forma coerente e, além disso, as anisotropias espaciais na distribuição dos teores geralmente não são consideradas (SINCLAIR; BLACKWELL, 2004). 26 Figura 4 – Detalhes da construção de uma área poligonal. Os círculos são os pontos de dados, as linhas tracejadas ligam pontos de dados adjacentes e as linhas contínuas são perpendiculares às tracejadas e formam os polígonos. Fonte: SINCLAIR; BLACKWELL (2004). O método dos triângulos (triangular) é uma variação do método poligonal. Nesse, prismas triangulares são definidos em uma projeção bidimensional pela união de três sítios de amostragem de tal forma que o triângulo resultante não contém amostras em seu interior. O valor da variável no prisma triangular (bloco) é dado pela média ponderada dos valores dos vértices do triângulo (SINCLAIR; BLACKWELL, 2004). Neste caso, os ponderadores são calculados de acordo com a proximidade do ponto aos vértices (SOARES, 2006). A principal vantagem do método dos triângulos é que alguma suavização é incorporada na estimativa de prismas individuais, de forma que a estimativa dos valores extremos da distribuição de densidade dos teores é mais conservadora que no caso da abordagem poligonal. Entretanto, o método apresenta desvantagens quanto à suavização, que é inteiramente empírica, os ponderadores não são ótimos, não considera anisotropias e as unidades estimadas não formam uma malha de bloco regular (SINCLAIR; BLACKWELL, 2004). 27 4.3.1.4 Método de Contorno Neste método, pressupõe-se que os valores da variável de interesse variam de forma gradual e contínua dentro da fronteira dos dados (YAMAMOTO, 2001). Baseia-se na construção de curvas de isovalores (Figura 5) através de uma interpretação realizada de modo contínuo entre pontos sucessivos (SOUZA, 2002). Este método geralmente necessita da estimativa de uma malha regular de pontos por meio de um procedimento de interpolação seguido de contorno dos dados. Entretanto, nos casos em que os dados são abundantes eles geralmente são contornados diretamente, sem a necessidade de interpolação da malha (SINCLAIR; BLACKWELL, 2004). Neste método, mesmo quando é envolvida uma densidade relativamente elevada de dados, o método pode levar a erros porque o procedimento corresponde a suavizações locais de estimativas por polígonos. Além disso, os métodos de interpolação da malha são geralmente isotrópicos, de forma que controles geológicos anisotrópicos (direcionais) da mineralização podem não ser considerados (SINCLAIR; BLACKWELL, 2004). Figura 5– Exemplo de aplicação de Isolinhas (contorno) em um depósito. Fonte: SINCLAIR; BLACKWELL (2004) 28 4.3.1.5 Área de Influência Baseia-se na adoção de uma área de influência (distância) em torno dos furos de sondagem para a classificação dos recursos (Figura 6). Através da distribuição espacial dos dados tenta-se interpretar a continuidade geológica (SOUZA, 2002). Figura 6 – Classificação de recursos pelo método da Área de Influência. Fonte: SOUZA (2002) Os métodos descritos anteriormente foram muito utilizados pela indústria de mineração em todo o mundo, principalmente pela facilidade de realização das análises, entretanto não são métodos confiáveis por se basearem em critérios estritamente geométricos e, por serem deterministas, não fornecem uma estimativa dos erros (SOARES, 2006). Além disso, esses métodos [...] buscam produzir a melhor estimativa local sem levar em conta as relações globais entre os valores estimados ou a variância local, não fornecendo medidas eficazes da incerteza na estimativa e nem subsídios para enquadramento dos recursos nas classes de recursos estabelecidas - medida, indicada e inferida (YAMAMOTO, 1991 apud SOUZA, 2001). 29 Os sistemas de classificação de recursos/reservas elaborados pelas várias instituições de mineração propõem o uso da geoestatística como ferramenta adequada para a estimativa e publicação de resultados de classificação de recursos/reservas (SOUZA, 2001). 4.3.1.6 Inverso da Potência da Distância Este método está baseado no fato de que os teores das amostras dos furos de sondagem são proporcionais ao inverso das distâncias ou a uma potencia destas em relação ao ponto a estimar. Desta forma, as amostras mais próximas ao ponto a estimar contribuirão com maior peso e consequentemente terão maior influência no valor a ser estimado, enquanto as mais distantes contribuirão com menor peso (YAMAMOTO, 2001). A equação geral para estimar o teor de um ponto a partir das amostras vizinhas é dada por: T = ∑ Ti*Wi n i=1 ∑ Wini=1 (1) onde T é o ponto a ser estimado, Ti é o teor da i-ésima amostra localizada no ponto de coordenadas (xi, yi, zi) e Wié o ponderador da respectiva amostra. No cálculo dos teores, o ponderador de cada amostra é inversamente proporcional à potência da distância euclidiana entre esta e o ponto a ser estimado. Matematicamente, o cálculo de um i-ésimo ponderador pode ser obtido pela seguinte relação: Wi= 1 di P (2) Na Equação 2, Wi é o ponderador da i-ésima amostra, di é a distância euclidiana entre a respectiva amostra e o ponto a estimar e P é a potência usada para o cálculo. Neste processo uma questão principal é a definição da potência a ser utilizada, que depende da variabilidade dos dados. Segundo Yamamoto (2001), é definido que potênciasbaixas tendem a suavizar os valores extremos, enquanto que 30 potências altas tendem a realçá-los. Desta forma é necessário adotar um valor adequado para a estimativa. De acordo com Yamamoto (2001), uma potência igual a dois produz uma interpolação intermediária entre os casos extremos. Além disso, as concentrações dos elementos na natureza não ocorrem de maneira linear (p=1) ou brusca (p>10). Assim, adota-se a potência igual a 2 para o cálculo dos ponderadores, e por isso, o método é conhecido como Ponderação pelo Inverso do Quadrado da Distância ou IQD, sendo muito difundido quando os métodos geoestatísticos não funcionam, sobretudo quando há a impossibilidade de obtenção de variogramas representativos. 4.3.2 Métodos Geoestatísticos As principais classificações de recursos/reservas adotadas no mundo estão baseadas, principalmente, na confiança associada às estimativas e na disposição (distância) entre as amostras. Essa está associada ao erro presente na estimativa, que pode ser obtido pelo uso de medidas reais de dispersão fundamentas na geoestatística (SOUZA, 2001). Desta forma, é preferível o uso desta técnica por permitir uma rápida e não ambígua identificação das categorias de recursos e reservas minerais (SOUZA, 2002). Os métodos geoestatísticos são avaliados como válidos e confiáveis na maioria dos sistemas, tornando-se ferramentas padrões para a estimativa e classificação de recursos minerais (SOUZA, 2002). Os principais critérios geoestatísticos utilizados para a classificação de recursos são apresentados a seguir. 4.3.2.1. Alcance do Variograma O variograma indica o nível de correlação que os dados amostrais apresentam em um dado local. De acordo com Froidevaux (1982) apud Souza (2002), foram propostas três classes baseadas neste parâmetro: (i) blocos dentro da área amostrada e do raio de influência definido pelo alcance do variograma, (ii) blocos dentro da área amostrada mas além do raio de influência e (iii) blocos do mesmo depósito mas com grande distância dos dados (incluindo blocos estimados por extrapolação). Esta sequência indica decréscimo de confiança da estimativa. 31 Além disso, são utilizadas duas abordagens para a categorização dos recursos usando o variograma: A primeira envolve o uso do variograma com a classificação em categorias com base na subdivisão do alcance observado, onde os blocos estimados com um dado número mínimo de amostras e dentro do raio de influência seriam classificados como medidos e os blocos com um número mínimo de amostras, mas além do raio de influência, seriam classificados com indicados (SOUZA, 2002). Diferentemente da primeira, a segunda adota o patamar como critério para discriminar as classes, onde os blocos compreendidos no alcance do variograma correspondente a 2/3 do patamar seriam classificados como medidos e o restante até o patamar como indicados. Os blocos inferidos são os blocos a distâncias maiores que o alcance do variograma, nas regiões sem correlação entre as amostras (SOUZA, 2002). 4.3.2.2. Variância de Krigagem Neste método adota-se como critério para classificação de recursos a função densidade de probabilidade (pdf) ou histograma da variância de krigagem. A pdf da variância de krigagem é dividida em classes correspondendo às categorias de recurso de acordo com as mudanças na forma da pdf (Figura 7). Além disso, Diehl e David (1982)e Wellmer (1983) apud Souza (2002) mostram classificações de recursos baseadas no desvio padrão de krigagem (Tabela 2), que é, estatisticamente, a raiz quadrada da variância de krigagem. 32 Figura 7 – Exemplo de um histograma da variância de krigagem para classificação de recursos. Fonte: SOUZA (2002) Tabela 2 – Classificação de recursos/reservas minerais baseada no desvio padrão de krigagem. Autores Provada Provável Possível Inferida Diehl & David (1982) Erro: ± 10% Erro: ± 20% Erro: ± 40% Erro: ± 60% Conf.: > 80% Conf.: > 60-80% Conf.: > 40-60% Conf.: > 20-40% Wellmer (1983) Erro: ± 10% Erro: ± 20% Erro: ± 30% Erro: ± 50% Conf.: > 90% Conf.: > 90% Conf.: > 90% Conf.: > 90% Fonte: SOUZA (2002) 4.3.2.3. Erro de Krigagem da Média O erro de krigagem da média, de acordo com Valente (1982) apud Souza (2002) pode ser calculado com um limiar de 95% de probabilidade pela seguinte expressão: ε�K = 2* �∑ σki 2n i=1 n2 ∑ tki n i=1 n *100 = 200* �∑ σki 2n i=1 ∑ tkini=1 (3) onde tki e σ2ki são, respectivamente, os valores estimados por krigagem e a variância de krigagem dos blocos. 33 A utilização deste erro, de acordo com Souza (2002) foi recomendada pela ONU às instituições de financiamento internacionais. A Tabela 3 mostra as categorias de recurso a partir desse critério para o nível de probabilidade de 95%. Tabela 3 – Classificação de recursos minerais de acordo com o erro de krigagem da média. Recurso Erro de Krigagem da Média (εk) Medida < 20% Indicada ≥ 20% - < 50% Inferida ≥ 50% Fonte: Modificado de SOUZA (2002) 4.3.2.4. Desvio Padrão de Interpolação Este método foi proposto por Yamamoto (1999) como uma possível alternativa em relação à variância de krigagem. Essa técnica se baseia na média ponderada das diferenças ao quadrado entre os valores observados e os valores calculados. Esta técnica seria mais representativa que aquela da krigagem por considerar tanto a distribuição espacial dos dados como a dispersão dos mesmos (YAMAMOTO, 1999 apud SOUZA, 2002). A Tabela 4 mostra as categorias de recursos/reservas sugeridas a partir do erro de interpolação. Tabela 4 – Classificação de recursos/reservas a partir do desvio padrão de interpolação. Recursos Medido Indicado Inferido Reservas Provada Provável Erro ± 0-20% ± 20-50% > 50% Nível de Confiaça > 90% >90% >90% Fonte: SOUZA (2002) 4.3.2.5. Medida de Eficiência do Bloco A medida de eficiência do bloco pode ser determinada a partir da seguinte equação (KRIGE, 1986 apud SOUZA, 2002): Eficiência= VB - VK VB , (%) (4) onde VB é a variância da distribuição dos teores dos blocos e VK é a variância de krigagem. 34 A Tabela 5 mostra a classificação das categorias de recurso de acordo com a medida de eficiência do bloco. Tabela 5 – Classificação das categorias de recurso a partir da medida de eficiência do bloco. Categoria Eficiência Medida ≥ 0,5 Indicada 0,3 - 0,5 Inferida ≤ 0,3 Fonte: SOUZA (2002) 4.4 FUNDAMENTOS DA GEOESTATÍSTICA A estimativa de depósitos minerais tem sido realizada, antes do advento da geoestatística nos anos 1950, por meio de técnicas empíricas sumarizadas no item 4.3.1, onde eram fundamentais a experiência e o julgamento do profissional envolvido na estimativa. Essas metodologias, se aplicadas cautelosamente, geravam resultados razoavelmente próximos dos obtidos na produção, particularmente de depósitos tabulares, com claros limites de corpo mineralizado e investigados por trabalhos em subsuperfície (SINCLAIR; BLACKWELL, 2004). Os métodos empíricos de estimativa de recursos, entretanto, não fornecem uma medida do erro associado à estimativa, fundamental para a avaliação da confiabilidade da mesma. Além disso, devido à expansão do uso de furos de sondagem ao invés de poços (trabalhos subterrâneos) devido ao maior custo destes, a estimativa de recursos se tornou uma atividade muito mais interpretativa. Com isso, os métodos empíricos de estimativa vêm sendo sujeitos a vários erros (SINCLAIR; BLACKWELL, 2004). A geoestatística, ao contrário dos métodos empíricos, fornece ferramentas para uma análise mais coerente e criteriosa na etapa de estimativa e classificação dos recursos minerais. Além disso, segundo Souza (2002), “[...]os mais recentes códigos de classificação ressaltam a geoestatística como uma das únicas ferramentas capazes de permitir a incorporação de níveis de confiança [...]”, necessários para uma avaliação consistente dos dados. A geoestatística pode ser sumarizada como a “[...] aplicação da Teoria das Variáveis Regionalizadas para a estimativa de depósitos minerais” (MATHERON; 1971). Esta teoria foi formulada por Matheron a partir de estudos práticos 35 desenvolvidos por Daniel G. Krige no cálculo de reservas em minas de ouro na África do Sul (SOUZA, 2002). A teoria geoestatística utiliza a relação espacial entre amostras para a estimativa de um ponto desconhecido ou bloco (GLACKEN; SNOWDEN, 2001). A influência das amostras vizinhas na estimativa é determinada por meio do estudo da continuidade espacial, medida tradicionalmente pela função variograma (SOUZA, 2002). Na estimativa do teor médio de cada bloco do modelo geológico do depósito, é primeiramente realizada uma investigação e modelagem da estrutura física e estatística do corpo mineral pela construção do variograma e por fim a estimativa propriamente dita do teor de cada bloco, que depende fundamentalmente da etapa anterior (CONDE; YAMAMOTO, 1996). Neste processo, utilizam-se as informações dos furos vizinhos, não somente os teores, mas também a posição (distância) relativa dos mesmos, ou seja, o processo se baseia na presença de algum grau de dependência espacial entre as amostras (continuidade espacial) para a inferência dos valores (SINCLAIR; BLACKWELL, 2004). A dependência espacial significa que duas amostras próximas são provavelmente similares quanto ao teor de um elemento (não idênticos, mas próximos). Isso significa que quaisquer dois teores próximos dentro de um intervalo de dependência não podem ser considerados dois fenômenos aleatórios da distribuição do teor em todo o depósito, ou seja, os teores dos elementos nas amostras estão correlacionados espacialmente (SINCLAIR; BLACKWELL, 2004). A dependência espacial entre amostras vizinhas implica que os teores do depósito não são aleatórios, mas possuem um certo grau de estrutura no espaço. Isso significa que os teores são variáveis regionalizadas, e é sobre esse aspecto que se baseia a Teoria das Variáveis Regionalizadas, que é um dos princípios da geoestatística (MATHERON, 1971). 4.4.1. Teoria das Variáveis Regionalizadas Uma variável regionalizada pode ser definida como qualquer função numérica com uma distribuição espacial que varia de um lugar para outro com continuidade aparente, mas cujas variações não podem ser representadas por uma função determinística (BLAIS; CARLIER, 1968 apud YAMAMOTO, 2001). Deve-se 36 notar que a definição de uma variável regionalizada como uma variável distribuída no espaço é puramente descritiva e não envolve qualquer interpretação probabilística (JOURNEL; HUIJBREGTS, 1978 apud YAMAMOTO, 2001). A maioria das variáveis regionalizadas apresenta um aspecto aleatório, que consiste em variações altamente irregulares e imprevisíveis, e um aspecto estruturado, que reflete as características estruturais do fenômeno regionalizado (KIM, 1990 apud YAMAMOTO, 2001) O estudo das variáveis regionalizadas quanto ao aspecto aleatório envolve a abordagem de função aleatória. Uma função aleatória é “[...] a descrição probabilística da distribuição espacial da variável” (SINCLAIR; BLACKWELL, 2004). Diferentemente de uma função aleatória, uma variável aleatória é aquela que assume uma determinada quantidade de valores, onde as frequências relativas podem ser descritas por meio de uma função de densidade de probabilidade (histograma) (SINCLAIR; BLACKWELL, 2004). O teor de um elemento num ponto x1 pode ser considerado uma realização particular de uma variável aleatória Z(x1) definida no ponto x1. De acordo com Journel e Huijbregts (1978) apud Yamamoto (2001), denomina-se função aleatória Z(x) o conjunto de teores Z(x) para todos os pontos x dentro do depósito, ou seja, variável regionalizada Z(x). As variáveis aleatórias Z(x) não precisam ser necessariamente definidas somente ao longo de localizações pontuais, mas podem também ser definidas sobre áreas ou volumes maiores (usualmente quadrados ou retângulos e centrados no local x). A “região espacial” representada por Z(x) é chamada de suporte da variável aleatória. Uma função aleatória Z(x) definida sobre um local pontual é considerada ser de um suporte pontual, enquanto uma variável aleatória Z(x) definida sobre uma área ou volume maior é dita ser de suporte por bloco (MORGAN, 2011). O atributo estudado deve ser medido em n localizações espaciais dentro de uma região espacial Ω. Uma realização da função aleatória Z(x) na Equação 5 é chamada de variável regionalizada, e portanto, “[...] a partir de um ponto de vista matemático, uma variável regionalizada é simplesmente uma função f(x) a qual possui um valor em todo ponto x dentro da região espacial estudada” (JOURNEL; HUIJBREGTS, 1978 apud MORGAN, 2011). 37 {Z(x), x E Ω} (5) O conjunto de variáveis aleatórias Z(xi), i = 1, 2,..., N, correlacionadas entre si, constituem uma função aleatória da qual só se conhece uma realização z(xi), que corresponde ao conjunto dos dados experimentais (SOARES, 2006). Com uma só realização de cada variável aleatória é teoricamente impossível determinar qualquer parâmetro estatístico das variáveis individuais ou da função. A solução para tal, proposta na Teoria das Variáveis Regionalizadas, consiste em assumir diversos graus de estacionariedade da função aleatória, de modo que a inferência de alguns parâmetros estatísticos seja possível. Desta forma, admite-se que todas as variáveis aleatórias possuem a mesma média (ou esperança matemática) (MATHERON, 1978 apud SOARES, 2006). E {Z(x1)} = E {Z(x2)} =...= E {Z(xi)} = E {Z(x)} = m (6) A estacionariedade indica que a média e a variância dos valores da variável não dependem da localização. Um campo (domínio) de dados é dito ser estacionário se a mesma população está sendo amostrada em todos os pontos naquele campo, de modo que, implicitamente, não existe tendência nos dados (SINCLAIR; BLACKWELL, 2004). A Teoria das Variáveis Regionalizadas propõe dois fundamentos básicos baseados na estacionariedade: A Estacionariedade Intrínseca ou Hipótese Intrínseca e a Estacionariedade de Segunda Ordem. A estacionariedade intrínseca assume um primeiro momento constante (valor médio) de todas as variáveis aleatórias contidas na função aleatória em um dado domínio Ω e que “[...] a variabilidade da diferença entre duas variáveis aleatórias da função aleatória Z(x) depende somente do vetor distânciaentre elas (h), e não de suas posições atuais dentro do domínio Ω [...]” (MORGAN, 2005 apud MORGAN, 2011). E(Z(x + h) – Z(x)) = 0 para todo x, x + h E Ω (7) e var(Z(x + h) – Z(x)) = 2γ(h) para todo x, x + h E Ω (8) 38 A Estacionariedade de Segunda Ordem implica que [...] os primeiros dois momentos de todas as variáveis aleatórias contidas na função aleatória existem e são constantes e que a covariância [C(h)] entre quaisquer duas variáveis aleatórias depende somente do vetor distância entre elas não de suas posições atuais no domínio Ω” (MORGAN, 2005 apud MORGAN, 2011). Este conceito pode ser mostrado matematicamente pelas seguintes relações: E{Z(x)} = m, para todo x E Ω (9) e cov(Z(x + h), Z(x)) = C(h), para todo x, x + hE Ω (10) A Teoria das Variáveis Regionalizadasse baseia nas suposições da Estacionariedade de Segunda Ordem e da Estacionariedade Intrínseca, mas devido ao fato da estacionariedade intrínseca ser uma suposição mais fraca, ela é geralmente preferida (MORGAN, 2011). A hipótese de Estacionariedade Intrínseca está relacionada fundamentalmente com o conceito de variograma/semivariograma. O termo 2γ(h) na Equação 8 é definido como variograma, enquanto que a sua metade (γ(h)) se refere à função semivariograma, que é o principal fundamento para a caracterização da continuidade espacial no depósito mineral e para a realização das estimativas de recursos (YAMAMOTO, 2001; MORGAN, 2011). 4.4.2. O Variograma A suposição de estacionariedade intrínseca, que é usada para permitir a inferência estatística da função aleatória Z(x) na geoestatística, conduz à existência do variograma (2γ(h)) (MORGAN, 2011). A metade da função variograma, o semivariograma, é denominado por γ(h), entretanto vários autores utilizam o termo “variograma” para a função γ(h) (YAMAMOTO, 2001). A função variograma (2γ(h)) é definida como sendo a esperança matemática do quadrado da diferença entre os valores de pontos no espaço, separados por uma distância h conforme a seguinte expressão: 39 2γ(h) = E{[Z(x+h)-Z(x)] 2 } (11) ou de outra forma: 2γ(h)= 1 N(h) ∑ �Zi(x)- Zi(x + h)� 2N(h) i=1 (12) onde 2γ(h) é a função variograma, N(h) é o número de pares de pontos separados por uma distância h, Zi(x) é o valor da variável regionalizada no ponto x e Zi(x + h) é o valor da variável regionalizada no ponto (x + h). A função semivariograma, dada como sendo a metade da função variograma é dada pela seguinte equação: γ(h)= 1 2N(h) ∑ �Zi(x) - Zi(x + h)� 2N(h) i=1 (13) A função semivariograma neste trabalho será nomeada apenas de “variograma” que é o termo mais comumente utilizado pela geoestatística para se referir a esse parâmetro, portanto, o termo γ(h) será em todas as circunstâncias neste trabalho denominado de variograma, exceto se dito o contrário. O variograma é uma medida da variância das diferenças nos valores da variável regionalizada entre pontos separados por uma distância h, desta forma, pontos mais próximos, por estarem mais correlacionados apresentarão uma variância pequena, aumentando com o aumento da distância, pois os pontos possuirão menor correlação espacial e, portanto, maior variância (YAMAMOTO, 2001). A função variograma é determinada segundo uma direção predefinida, portanto γ(h) é vetorial. Desta forma, os variogramas são feitos segundo várias direções da jazida para se conhecer a estrutura da mineralização, procedimento conhecido como “análise estrutural” (YAMAMOTO, 2001) 40 4.4.2.1. Propriedades do Variograma A função γ(h) é calculada para várias distâncias h (lags) formando um gráfico dos pontos correspondentes aos pares de amostras separadas pela distância h. Sobre este variograma experimental ajusta-se o mesmo por meio de modelos teóricos (SOUZA, 2002). Os principais parâmetros que definem o variograma são o alcance, o patamar e o efeito pepita (Figura 8). Figura 8 – Esquema mostrando as principais propriedades do variograma. Fonte: autoria própria O alcance, ou amplitude, é a distância a partir da qual as amostras passam a ser independentes entre si, ou seja, passam a não ter correlação. É a distância que separa o campo estruturado (amostras correlacionadas) do campo aleatório (amostras independentes) (YAMAMOTO, 2001). Além disso, a amplitude reflete o grau de homogeneização dos valores amostrais, isto é, quanto maior a amplitude maior será o grau de homogeneidade das amostras. Nesse sentido, de acordo com Matheron (1971) apud Yamamoto (2001), o variograma fornece um significado preciso da variabilidade entre os pontos amostrais. O Patamar se refere ao valor de variância (eixo vertical) no qual o variograma de estabiliza, ou seja, atinge o campo aleatório. 41 O Efeito Pepita é uma das variáveis mais críticas no estudo do variograma. Esta pode ser definida como o valor da função γ(h) na origem (h = 0). Teoricamente este valor deveria ser zero, uma vez que amostras tomadas no mesmo ponto deveriam ter os mesmos valores. Essa diferença entre valores à distância nula é geralmente atribuída a erros de amostragem ou análise e também à variabilidade natural do depósito (YAMAMOTO, 2001). A continuidade do teor de um elemento no depósito mineral pode ser avaliada a partir da interpretação dos parâmetros dos variogramas encontrados nas várias orientações. Essa pode ser ainda muito influenciada pelo comportamento do variograma próximo à origem, cujo formato permite induzir as variações dos teores a curtas distâncias. 4.4.2.2. Comportamento na Origem O grau de continuidade da mineralização é dado pelo comportamento do variograma próximo à origem. Assim, quanto a esse comportamento podem ser descritos quatro tipos básicos: parabólico, linear, efeito pepita e efeito pepita puro. (YAMAMOTO, 2001). O comportamento parabólico descreve uma curva parabólica próxima à origem (Figura 9a) e é indicativo de uma função aleatória altamente contínua que é também diferenciável (YAMAMOTO, 2001; MORGAN, 2011). O comportamento linear é caracterizado por apresentar uma reta tangente oblíqua à origem (Figura 9b), representando uma continuidade média das amostras. Neste caso, entende-se por continuidade média das amostras uma grande homogeneidade destas a pequenas distâncias e uma perda progressiva de homogeneidade com o aumento da distância. Diferentemente do comportamento parabólico, não é uma função diferenciável na origem (YAMAMOTO, 2001; MORGAN, 2011). O Efeito Pepita (Figura 9c) apresenta uma descontinuidade na origem. Essa implica que o variograma não tende a zero quando h (distância) tende a zero. Esta descontinuidade na origem implica que a função aleatória não é diferenciável nem contínua e pode ser reflexo de erros de amostragem e/ou microvariabilidade natural do depósito (YAMAMOTO, 2001; MORGAN, 2011). 42 O Efeito Pepita Puro (Figura 9d) é um tipo extremo de comportamento do variograma próximo à origem. De acordo com Matheron (2005), o efeito de pepita puro representa o caso em que não há correlação espacial entre quaisquer pontos localizados em x e x + h para qualquer h ≠ 0. Figura 9 – Comportamento do variograma na origem. Parabólico (a); Linear (b); Efeito Pepita (c) e Efeito Pepita Puro (d). Fonte: MORGAN (2011) A avaliação do comportamento da variável na origem é fundamental para a determinação da variabilidade dos teores no depósito ao longo de várias direções, permitindo uma análise acurada da continuidade da mineralização. 4.4.2.3. Anisotropia A continuidade espacial em um depósito mineral pode variar com as diferentes direções no espaço. O teor de um elemento, por exemplo, pode apresentar o variograma dependente apenas da distância h entre os pontos, caso em que a estrutura é isotrópica, ou além de variar com as distâncias h, apresentar comportamentos diferentes ao longo de várias direções, caso em que a estrutura é anisotrópica (SOARES, 2006). A estrutura isotrópica raramente acontece nos depósitos minerais. Normalmente, os teores dos elementos se estendem de um modo mais contínuo em uma determinada direção que nas demais, formando uma estrutura anisotrópica, onde o variograma possui continuidade diferente nas diferentes direções(YAMAMOTO, 2001). Os variogramas determinados ao longo de diferentes direções do depósito, portanto, podem mostrar variações distintas. Os modelos mais comuns de 43 anisotropia no estudo de depósitos minerais
Compartilhar