Optimización de la Clasificación de Recursos: Suavizado Automático de Categorías con Leapfrog y Asturmine

En la estimación de recursos minerales, la asignación de categorías (medido, indicado e inferido) es una práctica estándar regulada por códigos internacionales como JORC o NI 43-101. Esta clasificación refleja el grado de confianza geológica y técnica en la continuidad y calidad del recurso, y tiene implicaciones directas en la toma de decisiones de planificación, valoraciones económicas y estudios de factibilidad.

No obstante, al aplicar criterios cuantitativos estrictos (como número de muestras, slope of regression, distancia media, etc.), es habitual que los modelos generados presenten una distribución espacial altamente fragmentada, dando lugar a situaciones geológicamente incoherentes, como bloques medidos aislados dentro de zonas inferidas, o estructuras en mosaico que no se corresponden con una interpretación geológica realista.

El suavizado de categorías —resource category smoothing— surge así como una herramienta fundamental para mejorar la coherencia espacial, facilitar la comunicación del modelo, evitar errores de interpretación en planificación minera, y garantizar la robustez técnica del informe final. Esta práctica también se alinea con las recomendaciones de múltiples Competent Persons y auditores técnicos, que exigen una masa crítica y continuidad mínima para cada categoría de recurso.

El procedimiento más común para suavizar las categorías de recursos consiste en editar manualmente wireframes o polilíneas en cada sección o planta del modelo, reclasificando bloques en función de su entorno inmediato. Aunque es efectivo en algunos contextos, este método presenta importantes limitaciones:

• Alta carga de trabajo: Requiere horas de trabajo intensivo por parte del modelador, especialmente en yacimientos con geometrías complejas o múltiples dominios.
• Repetición innecesaria: Cada vez que se actualizan los modelos de bloques por nuevos datos de perforación o cambios en los parámetros de estimación, es necesario rehacer todo el proceso de suavizado desde cero.
• Subjetividad y arbitrariedad: Al depender de la interpretación manual, la clasificación puede variar entre secciones o modeladores distintos, introduciendo sesgos y pérdida de reproducibilidad.
• Escalabilidad limitada: En grandes operaciones mineras o campañas multianuales, mantener la consistencia del suavizado a lo largo del tiempo se vuelve casi inviable.

Como resultado, muchos modelos acaban reportando categorizaciones poco realistas o se ven forzados a mantener zonas 'rotas' simplemente por falta de tiempo o recursos para aplicar un suavizado exhaustivo.

Frente a las limitaciones del suavizado manual tradicional, Asturmine ha desarrollado una metodología automatizada de suavizado de categorías de recursos, basada en el uso de Modelos Numéricos de Indicador (Indicator Numerical Models, INM) dentro de la plataforma Leapfrog Geo de Seequent. Esta metodología permite generar wireframes coherentes, reproducibles y actualizables para los dominios de recursos medidos e indicados, eliminando la subjetividad y reduciendo significativamente los tiempos de trabajo.

Fig 1: Modelo sin suavizar

Fig 2: Modelo suavizado

1. Generación de columnas binarias a partir del RESCAT matemático

El proceso parte de un campo de clasificación numérica del modelo de bloques, generado durante la estimación de recursos (por ejemplo, una columna tipo RESCAT_MATH en la que los valores 1, 2 y 3 indican bloques medidos, indicados e inferidos, respectivamente). A partir de este campo:

• Se exporta el modelo de bloques filtrado por material mineral (ej. “Ore”), incluyendo únicamente la columna de clasificación matemática.
• Se importa como archivo de puntos en Leapfrog Geo, asegurándose de que el campo se reconozca como numérico y no como categórico, ya que los modelos INM requieren campos numéricos para operar.

Una vez importado, se crean dos nuevas columnas que actuarán como indicadores binarios:

• INM_Medido: Valor 1 si el bloque es medido. Valor 0 en cualquier otro caso.
• INM_Indicado: Valor 1 si el bloque es medido o indicado. Valor 0 si es inferido.

Estas dos columnas se utilizarán como base para generar dos modelos INM independientes.

2. Configuración de los parámetros del modelo numérico de indicador

Se construyen dos modelos INM, uno para cada categoría:

• INM_Medido: delimita las zonas del modelo con clasificación binaria 1 para bloques medidos.
• INM_Indicado: delimita la envolvente conjunta de bloques medidos e indicados.

Los parámetros críticos del INM a configurar son:

• Resolución de superficie (Surface Resolution): Determina el nivel de detalle del wireframe resultante. Una resolución más alta genera modelos más ajustados a la nube de puntos, mientras que valores más altos suavizan más el contorno.
• Valor iso (Isovalue): Define el umbral del modelo para considerar un punto como parte del dominio. Un valor bajo (ej. 0.25) tiende a expandir el dominio, incorporando puntos menos conectados generando envolventes mas grandes. Un valor alto (ej. 0.75) genera un dominio más restringido y selectivo generando envolventes mas pequeñas.
• Función de interpolación: Ha de usarse la función esferoidal, la cual requiere: Definición del rango de interpolación: Este rango determina el volumen de influencia de cada punto y, por tanto, controla cuántos bloques deben estar agrupados para generar una envolvente continua. Rango alto = mayor suavizado, menos “islas”. Rango bajo = mayor detalle, pero mayor riesgo de fragmentación interna.
• Filtro de volumen (Volume Filter): Herramienta clave para eliminar pequeños volúmenes residuales (artefactos) que podrían aparecer dentro de dominios mayores. Este paso refina el resultado final, eliminando elementos que no aportan significado geológico.

La configuración óptima de estos parámetros dependerá del estilo del yacimiento, el espaciado de sondeos y el objetivo del modelo (estudios económicos, planificación minera, etc.).

3. Agrupación y evaluación final del modelo

Una vez generados los dos modelos INM, se crea una Grouped Mesh combinada, que agrupa los volúmenes inside de ambos INM, dándole preferencia jerárquica al volumen de medidos. Esta agrupación se evalúa directamente sobre el modelo de bloques original, actualizando la columna de clasificación suavizada (RESCAT_INM).

Esto permite obtener un nuevo campo de clasificación de categorías mucho más coherente espacialmente, listo para reportar, planificar o auditar.

Fig 3. Modelo sin suavizar.

Fig 4. Modelo suavizado.

Extensión opcional: suavizado de transiciones entre medido e inferido

En algunos modelos, incluso tras aplicar el INM, pueden persistir contactos directos entre bloques medidos e inferidos, sin presencia de bloques indicados intermedios. Esta situación contradice el principio de progresividad en la confianza del recurso (medido → indicado → inferido), especialmente en informes que siguen los estándares JORC.

Para evitar esto, Asturmine propone una extensión al método:

• Se genera un buffer alrededor del volumen medido, mediante la herramienta New Distance Factor en Leapfrog.
• Este buffer, con un espesor configurable (ej. 10 metros), se intersecta con los bloques inferidos, y se puede reclasificar como zona indicada o mantener como zona de transición.
• El resultado es un modelo en el que se garantiza una separación progresiva de categorías, respetando la lógica del modelo geológico y los estándares de clasificación de recursos.

El suavizado de categorías de recursos ya no tiene por qué ser una tarea manual, lenta y subjetiva. Gracias a su enfoque innovador y riguroso, Asturmine automatiza este proceso crítico, elevando la calidad de los modelos y optimizando los recursos del equipo técnico. Esta metodología no solo mejora la presentación del modelo, sino que también refuerza la solidez técnica del reporte, la transparencia frente a auditores, y la confianza en la toma de decisiones estratégicas.

Asturmine continúa desarrollando soluciones que combinan ciencia, tecnología y eficiencia al servicio de la industria minera moderna.