Optimización de la Clasificación de Recursos: Suavizáu Automáticu de Categoríes con Leapfrog y Asturmine

Na estimación de recursos minerales, l'asignación de categoríes (midíu, indicáu ya inferíu) ye una práutica estándar regulada por códigos internacionales como JORC o NI 43-101. Esta clasificación reflexa'l grau de confianza xeolóxica y téunica na continuidá y calidá del recursu, y tien implicaciones direutes na toma de decisiones de planificación, valoraciones económiques y estudios de viabilidá.

Sicasí, al aplicar criterios cuantitativos estrictos (como númberu de muestres, slope of regression, distancia media, etc.), ye habitual que los modelos xeneraos tengan una distribución espacial enforma fragmentada, dando llugar a situaciones xeolóxicamente incoherentes, como bloques midíos aisllaos dientro de zones inferíes, o estructures en mosaicu que nun se correspuenden con una interpretación xeolóxica realista.

El suavizáu de categoríes —resource category smoothing— surde asina como una ferramienta fundamental p'ameyorar la coherencia espacial, facilitar la comunicación del modelu, evitar errores d'interpretación en planificación minera, y garantizar la robustez téunica del informe final. Esta práutica tamién s'allinea colos encamientos de múltiples Competent Persons y auditores téunicos, qu'esixen una masa crítica y continuidá mínima pa cada categoría de recursu.

El procedimientu más común pa suavizar les categoríes de recursos consiste n'editar manualmente wireframes o polillínies en cada seición o planta del modelu, reclasificando bloques en función de la so redolada inmediata. Anque ye efectivu en dellos contestos, esti métodu presenta llimitaciones importantes:

• Alta carga de trabayu: Requier hores de trabayu intensivu per parte del modelador, especialmente en xacimientos con xeometríes complexes o múltiples dominios.
• Repetición innecesaria: Cada vegada que s'actualicen los modelos de bloques por nuevos datos de perforación o cambeos nos parámetros d'estimación, ye necesario volver facer tol procesu de suavizáu dende cero.
• Suxetividá y arbitrariedá: Al depender de la interpretación manual, la clasificación puede variar ente seiciones o modeladores distintos, introduciendo sesgos y perda de reproducibilidá.
• Escalabilidá llimitada: En grandes operaciones mineres o campañes multianuales, caltener la consistencia del suavizáu a lo llargo del tiempu vuélvese cuasi inviable.

Como resultáu, munchos modelos acaben reportando categorizaciones poco realistes o vense forzaos a caltener zones 'rotes' cenciellamente por falta de tiempu o recursos p'aplicar un suavizáu exhaustivu.

Frente a les llimitaciones del suavizáu manual tradicional, Asturmine desenvolvió una metodoloxía automatizada de suavizáu de categoríes de recursos, basada nel usu de Modelos Numéricos d'Indicador (Indicator Numerical Models, INM) dientro de la plataforma Leapfrog Geo de Seequent. Esta metodoloxía dexa xenerar wireframes coherentes, reproducibles y actualizables pa los dominios de recursos midíos ya indicaos, eliminando la suxetividá y reduciendo de manera significativa los tiempos de trabayu.

Fig 1: Modelu ensin suavizar

Fig 2: Modelu suavizáu

1. Xeneración de columnes binaries a partir del RESCAT matemáticu

El procesu parte d'un campu de clasificación numérica del modelu de bloques, xeneráu mientres la estimación de recursos (por exemplu, una columna tipu RESCAT_MATH na que los valores 1, 2 y 3 indiquen bloques midíos, indicaos ya inferíos, respeutivamente). A partir d'esti campu:

• Esportase'l modelu de bloques peneráu por material mineral (ex. “Ore”), incluyendo namás la columna de clasificación matemática.
• Inportase como ficheru de puntos en Leapfrog Geo, asegurándose de que'l campu se reconoza como numbéricu y non como categóricu, yá que los modelos INM riquen campos numbéricos pa funcionar.

Una vegada inportáu, créense dos columnes nueves qu'actuarán como indicadores binarios:

• INM_Midiu: Valor 1 si el bloque ye midíu. Valor 0 en cualesquier otru casu.
• INM_Indicau: Valor 1 si el bloque ye midíu o indicáu. Valor 0 si ye inferíu.

Estes dos columnes van usase como base pa xenerar dos modelos INM independientes.

2. Configuración de los parámetros del modelu numbéricu d'indicador

Constrúyense dos modelos INM, unu pa cada categoría:

• INM_Midiu: delimita les zones del modelu con clasificación binaria 1 pa bloques midíos.
• INM_Indicau: delimita la envolvente conxunta de bloques midíos ya indicaos.

Los parámetros críticos del INM a configurar son:

• Resolución de superficie (Surface Resolution): Determina'l nivel de detalle del wireframe resultante. Una resolución más alta xenera modelos más axustaos a la nube de puntos, mientres que valores numbéricos más altos suavicen más el contornu.
• Valor iso (Isovalue): Define l'estragal del modelu pa considerar un puntu como parte del dominiu. Un valor bachu (ex. 0.25) tiende a espandir el dominiu, incorporando puntos menos conectaos y xenerando envolventes más grandes. Un valor altu (ex. 0.75) xenera un dominiu más restrinxíu y selectivu, xenerando envolventes más pequeñes.
• Función d'interpolación: Tien d'usase la función esferoidal, la cual requier: Definición del rangu d'interpolación: Esti rangu determina'l volume d'influencia de cada puntu y, poro, controla cuántos bloques tienen que tar agrupaos pa xenerar una envolvente continua. Rangu altu = mayor suavizáu, menos “islles”. Rangu bachu = mayor detalle, pero mayor riesgu de fragmentación interna.
• Filtru de volume (Volume Filter): Ferramienta clave pa eliminar pequeños volumes residuales (artefactos) que podríen apaecer dientro de dominios mayores. Esti pasu refina la resultancia final, eliminando elementos que nun apurren significáu xeolóxicu.

La configuración óptima d'estos parámetros va depender del estilu del xacimientu, el espaciáu de sondeos y l'oxetivu del modelu (estudios económicos, planificación minera, etc.).

3. Agrupación y evaluación final del modelu

Una vegada xeneraos los dos modelos INM, créase una Grouped Mesh combinada, qu'arrexunta los volumes inside de dambos INM, dándo-y preferencia xerárquica al volume de midíos. Esta agrupación evalúase direutamente sobre el modelu de bloques orixinal, actualizando la columna de clasificación suavizada (RESCAT_INM).

Esto dexa llograr un nuevu campu de clasificación de categoríes muncho más coherente espacialmente, llistu pa reportar, planificar o auditar.

Fig 3. Modelu ensin suavizar.

Fig 4. Modelu suavizáu.

Estensión opcional: suavizáu de transiciones ente midíu ya inferíu

En dellos modelos, inclusive tres aplicar el INM, pueden persistir contautos direutos ente bloques midíos ya inferíos, ensin presencia de bloques indicados entemedios. Esta situación contradiz el principiu de progresividá na confianza del recursu (midíu → indicáu → inferíu), especialmente n'informes que siguen los estándares JORC.

Pa evitar esto, Asturmine propón una estensión al métodu:

• Xénerase un buffer alredor del volume midíu, per aciu de la ferramienta New Distance Factor en Leapfrog.
• Esti buffer, con una espesura configurable (ex. 10 metros), intersécase colos bloques inferíos, y puede reclasificase como zona indicada o caltenese como zona de transición.
• La resultancia ye un modelu nel que se garantiza una separación progresiva de categoríes, respetando la lóxica del modelu xeolóxicu y los estándares de clasificación de recursos.

El suavizáu de categoríes de recursos yá nun tien por qué ser una xera manual, lenta y suxetiva. Gracies al so enfoque innovador y rigurosu, Asturmine automatiza esti procesu críticu, alzando la calidá de los modelos y optimizando los recursos del equipu téunicu. Esta metodoloxía non solo ameyora la presentación del modelu, sino que tamién refuerza la solidez téunica del reporte, la tresparencia frente a auditores, y la confianza na toma de decisiones estratéxiques.

Asturmine sigue desenvolviendo soluciones que combinen ciencia, tecnoloxía y eficiencia al serviciu de la industria minera moderna.