000862950

1
MINISTRIO DA EDUCAO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
Escola de Engenharia
Programa de Ps-Graduao em Engenharia de Minas,
Metalrgica e de Materiais (PPGEM)

INCORPORAO DA VARIABILIDADE DOS TEORES PARA ANLISE DE
RISCO DE RECURSOS MINERAIS E SEQUENCIAMENTO DE LAVRA

Cssio Diedrich

Dissertao para obteno do ttulo de
Mestre em Engenharia

Porto Alegre
2012
2

MINISTRIO DA EDUCAO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
Escola de Engenharia
Programa de Ps-Graduao em Engenharia de Minas,
Metalrgica e de Materiais (PPGEM)

INCORPORAO DA VARIABILIDADE DOS TEORES PARA ANLISE DE
RISCO DE RECURSOS MINERAIS E SEQUENCIAMENTO DE LAVRA

Cssio Diedrich
Engenheiro de Minas

Dissertao apresentada ao programa de Ps-Graduao em Engenharia de Minas,
Metalrgica e dos Materiais PPGEM, como parte dos requisitos para a obteno do ttulo de
Mestre em Engenharia.

rea de Concentrao: Tecnologia Mineral

Porto Alegre
2012
3

Essa dissertao foi julgada adequada para a obteno do Ttulo de Mestre em
Engenharia e aprovada em sua forma final pelo Orientador e pela Banca Examinadora do
Curso de Ps-Graduao.

Orientador: Prof. Dr. Joo Felipe Coimbra Leite Costa

Banca Examinadora:

Dr. Diniz Tamantini Ribeiro

Prof. Dr. Luis Eduardo de Souza

Prof. Dr. Rodrigo de Lemos Peroni

Prof. Dr. Telmo Roberto Strohaecker
Coordenador do PPGEM

4

minha famlia,
principalmente Roberta e Manuela
5

AGRADECIMENTOS

A todos que colaboraram direta ou indiretamente na execuo e elaborao desse
trabalho, o meu reconhecimento.
Ao professor e amigo, Joo Felipe Coimbra Leite Costa, pela exmia dedicao,
conselhos e amizade durante esses anos de convivncia e aprendizado.
A todos os colegas de laboratrio LPM pela grande amizade, convivncia e pelas
colaboraes prestadas.
empresa Vale S/A pelo apoio na realizao desse trabalho.
Aos amigos e colegas de trabalho, Benevides Aires Filho e Wellington Fabiano de
Paula, pela amizade e apoio prestado.
Aos amigos de Carajs/PA pela convivncia e experincia compartilhada.
minha cunhada, Daiana Campani de Castilhos, pela valiosa colaborao gramatical.

6

SUMRIO
1. INTRODUO ............................................................................................................... 16
1.1. META ........................................................................................................................ 18
1.2. OBJETIVOS ESPECFICOS .................................................................................... 19
1.3. METODOLOGIA ...................................................................................................... 20
1.4. ORGANIZAO DA DISSERTAO ................................................................... 21
2. REVISO BIBLIOGRFICA ....................................................................................... 23
2.1. ESTIMATIVAS E MODELOS DE INCERTEZA DE TEORES ............................. 24
2.1.1. Simulao Geoestatstica na Minerao ............................................................ 30
2.2. OTIMIZAO DE CAVA........................................................................................ 33
2.3. SEQUENCIAMENTO DE LAVRA.......................................................................... 35
2.3.1. Sequenciamento de Lavra Estocstico ............................................................... 39
2.4. RECONCILIAO ................................................................................................... 42
2.4.1. Falhas Recentes na Indstria de Minerao ...................................................... 44
2.4.2. Reservas Recuperveis ....................................................................................... 45
3. DETERMINAO DA INCERTEZA POR SIMULAO ESTOCSTICA ........ 48
3.1. MEDIDAS DE INCERTEZA E DISPERSO.......................................................... 48
3.1.1. Varincia Condicional ....................................................................................... 49
3.1.2. Coeficiente de Variao Condicional................................................................. 49
3.1.3. Intervalo Entre Quartil Condicional .................................................................. 50
3.1.4. Intervalo de Probabilidade e Confiana ............................................................ 50
3.2. MODELO DE FUNO ALEATRIA (RF) .......................................................... 51
3.2.1. Variveis Aleatrias Contnuas .......................................................................... 52
3.2.2. Funes Aleatrias Estacionrias e Ergdigas ................................................. 52
3.2.3. Simulao Estocstica ........................................................................................ 55
3.3. FUNO ALEATRIA GAUSSIANA ................................................................... 56
3.4. SIMULAO SEQUENCIAL CONDICIONAL ..................................................... 57
3.4.1. Condicionamento por Krigagem ........................................................................ 59
3.4.2. Simulao Sequencial Gaussiana ....................................................................... 60
3.4.3. Simulao Sequencial dos Indicadores .............................................................. 61
3.4.4. Simulao por Bandas Rotativas ........................................................................ 62
4. PLANEJAMENTO DE LAVRA E INCERTEZA GEOLGICA ............................. 65
4.1. PLANEJAMENTO E SEQUENCIAMENTO DE LAVRA A CU ABERTO ........ 65
4.1.1. Otimizao de Cava a Cu Aberto - Conceito ................................................... 66
4.1.2. Otimizao de Cava a Cu Aberto - Teor de Corte e Funo-Benefcio ........... 71
4.1.3. Sequenciamento Estocstico de Lavra a Cu Aberto ......................................... 74
4.2. FORMULAO PARA O GERENCIAMENTO E MINIMIZAO DO RISCO
(FUNO-OBJETIVO) ....................................................................................................... 76
4.3. SIMULAO ANNEALING ..................................................................................... 78
4.3.1. Mecanismo de Perturbao ................................................................................ 79
4.3.2. Funo-Objetivo e Simulao Annealing ........................................................... 81
5. QUANTIFICAO DA INCERTEZA DE TEORES NO DEPSITO
SEQUEIRINHO ..................................................................................................................... 85
5.1. VISO GERAL DO COMPLEXO SOSSEGO ........................................................ 86
5.1.1. Geologia Regional .............................................................................................. 87
7

5.1.2. Geologia Local ................................................................................................... 89
5.1.3. Modelo de Recursos Minerais - Sequeirinho ..................................................... 90
5.1.4. Modelo de Recursos - Curto Prazo .................................................................... 93
5.2. SIMULAO CONDICIONAL NO MODELO DE RECURSOS DO DEPSITO
SEQUEIRINHO .................................................................................................................... 95
5.2.1. Introduo .......................................................................................................... 95
5.2.2. Anlise dos Dados .............................................................................................. 96
5.2.2.1. Domnio Estatstico e Estatstica Univariada .............................................. 96
5.2.2.2. Normalizao dos Dados ............................................................................. 98
5.2.2.2.1. Varivel Original para Varivel Gaussiana ............................................. 98
5.2.2.3. Verificao da Multinormalidade (Binormalidade) .................................. 100
5.2.2.4. Anlise de Continuidade Espacial ............................................................. 101
5.2.3. Simulao Condicional dos Teores de Cobre no Depsito Sequeirinho ......... 102
5.2.4. Validao das Simulaes Condicionais .......................................................... 103
5.3. INCERTEZA DOS TEORES E RECURSOS MINERAIS ..................................... 106
5.3.1. Recursos Minerais - Sequeirinho ..................................................................... 107
5.3.2. Incerteza dos Teores e Classificao ............................................................... 109
5.3.3. Incerteza dos Teores e Reconciliao .............................................................. 115
5.4. COMENTRIOS FINAIS ....................................................................................... 122
6. ANLISE DE RISCO DE LONGO PRAZO E NO SEQUENCIAMENTO DA
PRODUO DA MINA SEQUEIRINHO ........................................................................ 125
6.1. SEQUENCIAMENTO DE LAVRA........................................................................ 125
6.1.1. Otimizao de Cava ......................................................................................... 126
6.1.1.1. Processo de Otimizao ............................................................................ 127
6.2. RESULTADOS E ANLISE DE RISCO ............................................................... 127
6.3. SEQUENCIAMENTO DE LAVRA OPERACIONAL COM RISCO ASSOCIADO
133
6.3.1. Otimizao usando Simulao Annealing ........................................................ 134
6.3.2. Sequenciamento de Lavra Estocstico Operacional ........................................ 138
6.3.2.1. Pushback 1 ................................................................................................ 140
6.3.2.2. Pushback 2 ................................................................................................ 141
6.3.2.3. Pushback 3 ................................................................................................ 142
6.3.2.4. Pushback 4 ................................................................................................ 143
6.3.2.5. Pushback 5 ................................................................................................ 144
6.3.2.6. Pushback 6 ................................................................................................ 145
6.3.2.7. Pushback 7 ................................................................................................ 146
6.3.2.8. Pushback 8 ................................................................................................ 147
6.3.2.9. Pushback 9 ................................................................................................ 148
6.3.2.10. Pushback 10 .............................................................................................. 149
6.3.2.11. Pushback 11 .............................................................................................. 150
6.3.2.12. Pushback 12 .............................................................................................. 151
6.3.3. Anlise dos Resultados ..................................................................................... 152
6.3.3.1. Sequenciamento da Produo.................................................................... 152
6.3.3.2. Anlise de Risco ........................................................................................ 159
6.3.3.3. Anlise Financeira ..................................................................................... 164
6.4. COMENTRIOS FINAIS ....................................................................................... 167
7. CONCLUSES E RECOMENDAES ................................................................... 169
7.1. CONCLUSES ....................................................................................................... 169
7.2. RECOMENDAES .............................................................................................. 172
8

REFERNCIAS BIBLIOGRFICAS ............................................................................... 174

9

LISTA DE FIGURAS

Figura 2.1: Modelagem da incerteza de concentraes de Cd nos locais u'1 e u'2. ................. 26
Figura 2.2: Distribuies de probabilidade local referentes aos valores de Cd. ....................... 26
Figura 2.3: Instalao de cabo submarino: (a) Pesquisa do fundo ocenico (dados de
profundidade) com espaamento de 100m; (b) Estimativa por krigagem do comprimento do
fundo ocenico; (c) Pesquisa contnua do comprimento do fundo ocenico (cenrio real); (d)
Simulao condicional baseado nos dados espaados 100m, e o cenrio real. Adaptado de
Alfaro (1979). ........................................................................................................................... 31
Figura 2.4: Desvio das metas de produo de teores atravs da estimativa dos teores para 23
depsitos minerais australianos de ouro. .................................................................................. 44
Figura 2.5: Representao bidimensional da situao geral na estimativa de inventrio
mineral. ..................................................................................................................................... 46
Figura 3.1: O princpio das bandas rotativas em 2D (extrado de Chils & Delfiner,1999). ... 62
Figura 3.2: Clculo do ponto simulado pelo princpio das bandas rotativas em 2D (extrado de
Souza, 2007). ............................................................................................................................ 64
Figura 4.1: Corpo de minrio tpico com limite de cava matemtica....................................... 66
Figura 4.2: Representao esquemtica de uma srie de cavas aninhadas calculadas a partir de
uma srie de valores de commodity. ......................................................................................... 67
Figura 4.3: Representao esquemtica do pior caso de sequenciamento de lavra. ................. 68
Figura 4.4: Representao esquemtica do melhor caso de sequenciamento de lavra. ............ 70
Figura 4.5: Representao esquemtica 2D de um bloco candidato com possibilidade de
assumir outra classe de risco menor, definidas pela imagem de treinamento. ......................... 80
Figura 4.6: Representao dos 26 blocos conectados a um bloco qualquer. ............................ 81
Figura 5.1: Mapa de localizao do Complexo Mineiro Sossego. ........................................... 86
Figura 5.2: Vista area da cava a cu aberto Sequeirinho. ....................................................... 87
Figura 5.3: Mapa simplificado da Provncia Mineral de Carajs. ............................................ 89
Figura 5.4: Perfil esquemtico do corpo Sequeirinho mostrando as distribuies das zonas de
alterao hidrotermal. ............................................................................................................... 90
Figura 5.5: Perfil simplificado do corpo de minrio do Sequeirinho (setores Pista, Sequeirinho
e Baiano). .................................................................................................................................. 91
Figura 5.6: Mapa de localizao e valores das amostras de densidade (g/cm). ...................... 92
Figura 5.7: Modelo de recursos Sequeirinho em seo vertical, furos e blocos com teores de
cobre. ........................................................................................................................................ 93
Figura 5.8: Modelo de recursos Sequeirinho em seo planar, furos de sondagem (malha
40x40 a 70x70) e blocos com teores de cobre. ......................................................................... 93
Figura 5.9: Atualizao da envoltria de minrio de longo e curto prazo, em seo planar,
atravs da interpretao dos furos de desmonte com teores de cobre. ..................................... 94
Figura 5.10: Modelo de blocos de curto prazo do Depsito Sequeirinho, em perspectiva. ..... 95
10

Figura 5.11: Localizao das amostras (2m) do Complexo Sossego em seo planar (XY). .. 96
Figura 5.12: Grfico de probabilidade cumulativa em escala logartmica, Depsito
Sequeirinho. .............................................................................................................................. 97
Figura 5.13: Histograma dos valores de Cu(%) desagrupados (por clulas mveis), Depsito
Sequeirinho. .............................................................................................................................. 98
Figura 5.14: (a) Distribuio cumulativa dos dados originais (preto) e valores gaussianos
transformados (azul claro); (b) histograma dos valores originais de cobre (preto) e resultantes
do processo de transformao atravs do mtodo de inverso de frequncias (azul). ........... 100
Figura 5.15: Relao variograma e madograma para a varivel cobre em diversos lags. ...... 101
Figura 5.16: Variograma ao longo do furo em amostras espaadas em 2m. .......................... 101
Figura 5.17: Variogramas direcionais nas principais direes anisotrpicas. ........................ 102
Figura 5.18: Imagens estocsticas da varivel Cu (%) no Depsito Sequeirinho. ................. 103
Figura 5.19: (a) Estatstica univariada dos dados desagrupados; (b), (c) e (d) Estatstica
univariada de realizaes aleatrias da varivel Cu (%). ....................................................... 104
Figura 5.20: Validao da continuidade espacial para o modelo matemtico imputado
(vermelho, verde e roxo) na principais direes anisotrpicas definidas. .............................. 105
Figura 5.21: Frequncia das mdias dos modelos de cobre simulados, mdia dos dados
condicionantes desagrupados e mdia de todas as simulaes (E-Type). .............................. 106
Figura 5.22: Mdia das simulaes de Cu (%) e krigagem ordinria..................................... 106
Figura 5.23: Comparativo (incerteza) das curvas de tonelagem dos recursos minerais medido
(a) e indicado (b)..................................................................................................................... 109
Figura 5.24: Comparativo (incerteza) das curvas de teor dos recursos minerais medido (a) e
indicado (b). ............................................................................................................................ 109
Figura 5.25: Teste de classificao dos recursos minerais atravs do coeficiente de variao
condicional (CCV). ................................................................................................................. 110
Figura 5.26: Teste de classificao do metal contido nos recursos minerais atravs da
metodologia tradicional (classificao geomtrica) e do coeficiente de variao condicional
(CCV). .................................................................................................................................... 114
Figura 5.27: Classificao dos recursos minerais, plano 152m: (a) metodologia tradicional
(classificao geomtrica); (b) coeficiente de variao condicional. ..................................... 115
Figura 5.28: Esquema de reconciliao do Complexo Sossego. ............................................ 117
Figura 5.29: Modelo previsto de longo prazo (a) e realizado de curto prazo (b), plano 168m.
................................................................................................................................................ 118
Figura 5.30: Polgono de liberao de lavra de curto prazo (estimado por krigagem ordinria).
................................................................................................................................................ 119
Figura 5.31: Resultados dos Mining Call Factors (F3 e F2) aplicados ao Complexo Sossego.
................................................................................................................................................ 121
Figura 5.32: Fator F1 e incerteza dos teores relacionados envoltria mineral de cobre de
longo prazo. ............................................................................................................................ 122
Figura 6.1: Massa de minrio do processo de otimizao. ..................................................... 129
11

Figura 6.2: Teor de alimentao da usina do processo de otimizao. .................................. 129
Figura 6.3: Massa total movimentada do processo de otimizao. ........................................ 129
Figura 6.4: Fluxo de caixa descontado do processo de otimizao. ....................................... 130
Figura 6.5: Seo horizontal das cavas matemticas finais, plano 192m. As sees verticais
so representadas por AA' e BB'. ........................................................................................... 131
Figura 6.6: Seo horizontal das cavas matemticas finais, plano 16m. ................................ 132
Figura 6.7: Seo horizontal das cavas matemticas finais, plano -80m. .............................. 132
Figura 6.8: Seo vertical (A', A) das cavas matemticas finais. ........................................... 133
Figura 6.9: Seo vertical (B', B) das cavas matemticas finais. ........................................... 133
Figura 6.10: (a) Imagem inicial (antes de ser aplicado o algoritmo annealing) de uma
simulao de teores transformados em ESR; (b) Imagem final ESR relativa mdia de todas
as simulaes de teores obtidas atravs de simulao annealing. .......................................... 137
Figura 6.11: (a) Frequncia das categorias ESR relativa simulao com menor teor
apresentada como imagem inicial no simulada; (b) Resultado da frequncia das categorias
ESR relativa simulao com menor teor otimizada atravs de simulao annealing. ........ 138
Figura 6.12: Cava inicial (de partida) do Sequeirinho usada para o sequenciamento por ambas
metodologias de lavra. ............................................................................................................ 139
Figura 6.13: Pushback 1 (a) sequncia de lavra original com ESR; (b) sequncia de lavra com
risco associado com ESR; (c) sequncia de lavra original com teores; (d) sequncia de lavra
com risco associado com teores. ............................................................................................ 141
com risco associado com teores.2. ......................................................................................... 142
12

Figura 6.22: Pushback 10 (a) sequncia de lavra original com ESR; (b) sequncia de lavra
com risco associado com ESR; (c) sequncia de lavra original com teores; (d) sequncia de
lavra com risco associado com teores..................................................................................... 150
Figura 6.25: Cava final referente sequncia de lavra original (metodologia tradicional)
aplicada. .................................................................................................................................. 155
Figura 6.26: Cava final referente sequncia de lavra com risco associado aplicado. .......... 156
Figura 6.27: Pushbacks 1 a 4 (a) sequncia de lavra original com ESR; (b) sequncia de lavra
Figura 6.28: Pushbacks 5 a 8 (a) sequncia de lavra original com ESR; (b) sequncia de lavra
Figura 6.29: Pushbacks 9 a 12 (a) sequncia de lavra original com ESR; (b) sequncia de
lavra com risco associado com ESR; (c) sequncia de lavra original com teores; (d) sequncia
de lavra com risco associado com teores. ............................................................................... 158
Figura 6.30: Intervalo e colorao da sequncia de lavra (Figura 6.31a,b). ........................... 159
Figura 6.31: (a) Sequncia de lavra (pushbacks) relativo abordagem tradicional; (b)
sequncia de lavra (pushbacks) relativo abordagem com risco associado. ......................... 159
Figura 6.32: Valor mdio dos teores para cada sequncia de lavra (pushbacks) referente
abordagem tradicional. ........................................................................................................... 160
Figura 6.33: Valor mdio dos teores para cada sequncia de lavra (pushbacks) da abordagem
com risco associado. ............................................................................................................... 162
Figura 6.34: Anlise de risco padro da sequncia de lavra (pushbacks) para ambas
metodologias aplicadas. .......................................................................................................... 163
Figura 6.35: Anlise de risco padro executado da sequncia de lavra (pushbacks) para ambas
metodologias aplicadas. .......................................................................................................... 164
Figura 6.36: Anlise de risco do fluxo de caixa estimado da sequncia de lavra (pushbacks)
para ambas metodologias aplicadas. ....................................................................................... 165
Figura 6.37: Anlise de risco do fluxo de caixa executado da sequncia de lavra (pushbacks)
para ambas metodologias aplicadas. ....................................................................................... 166

13

LISTA DE TABELAS

Tabela 5.1: Parmetros vizinhana de busca, simulaes varivel Cu(%), Depsito
Sequeirinho. ............................................................................................................................ 103
Tabela 5.2: Medida da incerteza dos recursos minerais medido e indicado (teor de corte de
0,3% Cu). ................................................................................................................................ 108
Tabela 5.3a,b: Classificao dos Recursos Minerais - CCV - Medido/Indicado - Cutoff 0,01.
................................................................................................................................................ 112
Tabela 6.1: Parmetros tcnicos e econmicos. ..................................................................... 126
Tabela 6.2: Parmetros pra simulao annealing. .................................................................. 136
Tabela 6.3: Definio das categorias de risco (ESR) para simulao annealing. .................. 136
Tabela 6.4: Resultados para ambas metodologias executadas no sequenciamento de lavra. . 153
Tabela 6.5: Resultados para ambas metodologias executadas no sequenciamento de lavra. . 154
Tabela 6.6: Fluxo de caixa descontado (US$ x 10) para as sequncias de lavra por ambas
metodologias. .......................................................................................................................... 166
Tabela 6.7: Resultados (VPL em US$ x 10) e diferenas (erro relativo) entre o modelo
estimado (krigagem ordinria, base oramentria), modelos simulados e o modelo real para
ambas metodologias. .............................................................................................................. 167

14

RESUMO

A indstria de minerao investiga continuamente processos de reconciliao e tcnicas
adequadas para mapear possveis riscos na recuperao do minrio e no planejamento de
lavra. Um estudo de caso em uma mina de cobre brasileira investiga a adequao do uso de
teores simulados para a definio de reas de risco que afetam o planejamento mineiro e as
reservas minerais definidas. Simulaes condicionais foram usadas para derivar mltiplos
modelos de teores de cobre dentro de um tpico corpo de minrio do depsito e esses modelos
foram comparados com os dados reais de produo (reconciliao). A comparao permitiu
uma melhor compreenso sobre a variabilidade da qualidade e ajudou na definio de um
plano de produo mais consistente. Com os intervalos de valores provenientes das
simulaes foi possvel mapear importantes reas de incerteza que afetam o plano de lavra.
Anlises de risco foram conduzidas para a definio da cava final atravs da comparao do
limite previsto pela estimativa por krigagem ordinria e as cavas resultantes dos modelos
simulados de teor de cobre, sendo possvel avaliar os impactos operacionais nos principais
fatores econmicos (valor presente lquido e fluxo de caixa descontado). Vrias cavas finais
foram geradas para vrios modelos de blocos simulados, comparando-se com a cava
anteriormente planejada atravs da utilizao do modelo de blocos produzido pela krigagem
ordinria. Alm disso, foi definida uma escala de risco utilizando os modelos
condicionalmente simulados e os valores estimados pela krigagem (comumente utilizados
como referncia para definio do oramento e da alimentao de metal no moinho) a fim de
minimizar as variaes dos teores. Estas medidas se propem a reduzir o risco no
cumprimento das metas de produo de metal no planejamento de lavra. Esta abordagem,
considerando o risco durante o sequenciamento de lavra, foi utilizada no plano de produo
anual da mina e comparada com o realizado no perodo e com a abordagem tradicionalmente
aplicada. Os resultados evidenciaram possveis riscos associados com o limite da cava final
operacional e demonstraram os benefcios do uso de anlise de risco como uma ferramenta
para visualizar e analisar os limites de cava final e planejamento de lavra, ajudando a tomar
melhores decises estratgicas no gerenciamento da mina referente aos fatores tcnicos e
indicadores econmicos.

Palavras-chave: recursos minerais; simulao condicional; reconciliao; sequenciamento de
lavra; reservas minerais.

15

ABSTRACT

Mining industry continuously investigates proper reconciliation procedures and techniques for
mapping possible risks in ore recovery and mine planning. A case study at a Brazilian copper
mine investigates the adequacy of using simulated grades for defining high risk areas
affecting mine planning and the defined mineral reserves. Conditional simulations were used
to derive multiple copper grade models within a typical ore-body of the deposit and compared
these models against the real production data (reconciliation). The comparison allowed a
better understanding of grade variability and helped in defining a more consistent mine plan.
The range of values derived from the simulations mapped areas of significant uncertainty
affecting the pushbacks plan. Risk analysis were conducted for the final pit definition by
comparing the projected final pit limit and mining sequence against the simulated models of
copper grade, assessing the operational impacts on key economical factors (mine net present
value, discounted cash flow). Several final pit limits were generated for various simulated
grade block models and compared to the previously pit planned using the ordinary kriging
grade block model. Also, it was defined a risk scale using the conditional simulated models
and the ordinary kriged values (commonly used for budget and mill feed reference) in order to
minimize grade variations ensuring less risk on completion of the metal production goals on
mine planning. This approach considering the risk for the mining sequencing was used on the
annual mining plan and compared to the real production and to the traditional approach. The
results highlighted possible risks associated with the operational pit limit and demonstrated
the benefits of using risk analysis as a tool to preview and review the final pit limits and mine
planning, helping to make better strategic decisions by the copper mine management related
to the technical factors and economical indicators.

Keywords: mineral resources; conditional simulation; reconciliation; mining sequencing;
mineral reserves.

16

Captulo 1

1. INTRODUO

A estimativa e a distribuio de teores num depsito mineral geralmente so
executadas por mtodos geoestatsticos e clssicos, que so incapazes de reproduzir a real
variabilidade espacial dos dados in situ, resultando apenas em valores mdios estimados para
o depsito (Isaaks, 1990; Journel, 1974). Tal variabilidade requerida em anlises de
sensibilidade dos projetos de engenharia, j que a variabilidade desses teores implica em
variaes no valor final do projeto, cujo impacto geralmente desconhecido.
Identificar, avaliar e gerenciar riscos pode permitir melhor definio dos recursos
financeiros em investimentos estratgicos, assegurando que a atividade ou o projeto seja
executado de maneira lgica, identificando oportunidades de realar o valor do negcio
atravs da tomada de deciso sobre os riscos evidenciados.
As tcnicas de simulao estocstica condicional permitiram que a real variabilidade
in situ fosse avaliada (Matheron, 1973). Muitos autores consideram o risco geolgico como o
principal fator de insucesso no alcance das metas na indstria mineira (Ravenscroft, 1992;
Dowd, 1994; Rossi e Parker, 1994; Vallee, 1999; Dimitrakopoulos et. al. 2002). Os mtodos
de simulao estocstica foram desenvolvidos originalmente para corrigir o efeito de
suavizao e outros artefatos exibidos nos mapas produzidos atravs de estimativa por
krigagem (Deutsch e Journel, 1998). Ao contrrio da interpolao, mtodos de simulao
estocstica no resultam em uma nica estimativa do mapa da varivel de interesse. O
paradigma bsico da abordagem probabilstica modelar qualquer valor desconhecido como
uma varivel aleatria, diferentemente da abordagem determinstica tradicional (Goovaerts,
1997). Isso resulta principalmente numa diferena de abordagem na avaliao de recursos e
reservas entre ambas as metodologias, j que h a gerao de diversos modelos equiprovveis,
podendo haver a redefinio das expectativas do projeto e de lavra.
As tcnicas de simulao permitem a criao de cenrios igualmente provveis
(realizaes) da distribuio espacial da varivel em estudo (David, 1977; Journel e
Huijbregts, 1978), reproduzindo algumas das caractersticas da distribuio experimental
(amostras) e conectividade espacial (Goovaerts, 1997). Essas tcnicas podem ser aplicadas em
funes de transferncia e anlises de sensibilidade (anlise de riscos) suportando a avaliao
17

de recursos, planejamento de lavra, definio de cava matemtica e sequenciamento de lavra
(David, 1988; Journel, 1979; Rossi e Van Brunt, 1997; Dimitrakopoulos, 1998;
Dimitrakopoulos et. al., 2002; Peroni, 2002; Godoy, 2004; Ramazan, 2007).
O desenvolvimento de uma sequncia de produo ideal um procedimento muito
complexo devido ao grande nmero de variveis e restries envolvidas. Os processos
envolvidos em operaes de lavra so determinados primeiramente pela definio de uma
cava final atravs de um algoritmo de otimizao de cava, havendo uma extrao lgica dos
blocos do modelo (Lerchs e Grossmann, 1965, Lemieux, 1979, Whittle e Rozman, 1991;
Peroni, 2002). Posteriormente feita a determinao de uma sequncia de extrao dos blocos
definidos como pushback ou avano de lavra, sendo possvel verificar o impacto direto nos
principais indicadores de desempenho, tais como fluxo de caixa e VPL. Vrios mtodos tm
sido apresentados a fim de determinar uma sequncia tima de extrao (Crawford e Davey,
1979; Mathieson, 1982; Dadelen e Franois-Bongaron, 1982; Whittle e Rozman, 1991;
Seymour, 1995; Ramazan e Dadelen, 1998; Tolwinski, 1998).
As principais dificuldades encontradas na indstria mineral para a soluo de
sequenciamento timo de extrao dos blocos a serem lavrados considerando a incerteza
associada so:
(i) a quantidade de variveis envolvidas nos processos de otimizao estocstica
(parmetros e modelos simulados);
(ii) a complexidade na definio dos custos nas equaes da funo benefcio
relacionados ao desvio s metas (funo de otimizao estocstica);
(iii) a gerao de cenrios de produo operacionalmente executveis, dado o
tempo necessrio para o processo de otimizao e capacidade computacional.

Neste estudo, so avaliados os principais mtodos para a anlise de risco do
planejamento de mina estratgico e tambm o desenho dos avanos operacionais (Godoy,
2009). Alm disso, aplicada uma metodologia alternativa para incorporao do risco no
processo de sequenciamento operacional dos blocos de lavra de mdio e longo prazo.
Outro fator importante na indstria mineral e para tomada de decises, que serve para
calibragem e entendimento da seletividade do depsito e planejamento estratgico, associado
ao modelo de recursos e reservas, o processo de reconciliao. A validade prtica de
qualquer estimativa de recursos ou reservas consiste em uma comparao das estimativas com
a produo real (Sinclair & Blackwell, 2002).
18

Diversos estudos de simulao estocstica vm sendo aplicados nas ltimas dcadas
na indstria mineira, mas pouco tem se visto com relao validao se comparado
realidade dos teores minerados nos depsitos (Abichequer et al., 2010).
O processo de reconciliao, convencionalmente, definido como a comparao da
geometria (topografia aderncia ao plano), da massa de minrio, do teor e da quantidade de
metal estimados com as medies reais durante o ciclo mineiro. Dentre os principais
objetivos da reconciliao esto a avaliao do desempenho operacional e o suporte ao
clculo do ativo mineral, a validao dos recursos e reservas minerais e a definio de
indicadores-chave de desempenho para o controle a curto e longo prazo (Morley, 2003).
Para os processos de auditoria realizados por instituies financeiras, bolsas de valores
ou empresas, a confiana no modelo de recursos considerada um dos elementos de alto
impacto na previso de risco de projeto. Geralmente, as empresas de auditoria empregam uma
combinao de controles manuais, como testes estatsticos e geoestatsticos do modelo de
recursos. Operacionalmente, no entanto, a reconciliao do modelo de recursos em relao
produo real uma exigncia adicional, e todo o oramento previsto e os objetivos esperados
do projeto pela empresa mineira esto relacionados a esse modelo de recursos. Ento, a
tonelagem, o teor e consequentemente a quantidade de metal esperados devem ser previstos
corretamente para garantir menos risco relacionado ao cumprimento de metas de produo e
embarques de concentrado para os clientes.
A reconciliao serve tambm para destacar as oportunidades de melhoria e permitir
aprimorar a previso no curto prazo, fornecendo estimativas confiveis. O elemento-chave
para avaliar a validade de um cronograma de produo e reservas recuperveis, frente da
produo, a capacidade de simular o corpo de minrio, bem como o processo de controle de
qualidade antes da lavra e da produo real.
Nesta dissertao, a validao das reservas tambm estudada usando uma abordagem
de simulao estocstica reconciliao.

1.1. META

A variabilidade intrnseca ao teor de minrio crtica para a aplicao lgica das
etapas de engenharia e consequente lucratividade do negcio. Com o mapeamento da
incerteza dos teores, possvel obter o intervalo de valores associados a esses teores.
19

Esta dissertao tem como meta avaliar as principais contribuies e resultados
relativos incorporao da incerteza dos teores em procedimentos que podem ser utilizados
para anlise de risco inerente ao planejamento operacional de lavra de mdio e longo prazo,
bem como validar as metodologias aplicadas atravs do processo de reconciliao. Tambm
faz parte desta dissertao, o desenvolvimento de uma abordagem alternativa que poder
contribuir nos processos atuais de sequenciamento de lavra operacional com o auxlio de
abordagem estocstica associada incerteza dos teores.

1.2. OBJETIVOS ESPECFICOS

Atravs de um estudo de caso de um depsito de cobre no estado do Par, avaliam-se
as principais funes econmicas (fluxo de caixa e VPL) incorporando a incerteza de teores
no planejamento de longo prazo (anlise de risco). Avalia-se tambm uma nova abordagem
para o sequenciamento de lavra operacional estocstico considerando os desvios de metas de
produo, comparando os resultados obtidos atravs do processo de reconciliao. Esta
dissertao visa atingir as metas propostas por meio dos seguintes objetivos especficos:
- validar os diversos modelos equiprovveis que representam a variabilidade do
elemento em estudo, que servir de base para anlise de riscos e metodologia de
planejamento de lavra associada incerteza, atravs da reconciliao desses com a
realidade executada durante o processo operacional de lavra;
- avaliar o uso da anlise de risco para definio de cava final e sequenciamento de
lavra no depsito de cobre, atravs de modelos simulados, avaliando os impactos
operacionais nos principais indicadores de desempenho econmico (valor presente
lquido- VPL);
- avaliar a aplicabilidade da abordagem alternativa proposta para minimizar o risco de
desvio de metas de produo relativo ao plano de lavra operacional previsto
(krigagem), associando a incerteza dos teores ao cumprimento das metas para o
sequenciamento de lavra operacional, relacionando-o s abordagens tradicionais
segundo indicadores operacionais (teor, massa, metal, etc.) e econmicos.

20

1.3. METODOLOGIA

Primeiramente foi feita a organizao dos dados do depsito, tanto os dados de mina
(blast holes) quanto os dados de pesquisa e explorao (sondagem), rotineiramente usados no
desenvolvimento do ciclo mineiro. Ento, apresentado um quadro geral dos principais
aspectos relativos reconciliao, simulao de teores e otimizao. A seguir desenvolvida
e apresentada a nova abordagem formulada usando conceitos de coeficiente de variao
condicional e erro relativo (minimizado atravs do uso de simulao annealing (Deutsch,
1992)), que serviram para definio otimizada de uma escala de risco operacional. Esta
poder ser utilizada atravs de programao linear ou processo iterativo no planejamento de
lavra operacional associado incerteza.
O mtodo de simulao por Bandas Rotativas (Turning Bands) (Matheron, 1972,
1973; Journel, 1974) usado para desenvolver uma srie de modelos da distribuio espacial
in situ de teores, usados para a quantificao da incerteza no depsito mineral de cobre.
O processo de reconciliao foi realizado atravs dos modelos de teores previamente
gerados em comparao ao modelo estimado (krigagem ordinria), usado como base para
definio de reservas de minrio, e os dados reais de produo da mina (estimativa de curto
prazo usando valores de blast holes). Esse processo usado para checar a validade dos
diversos modelos equiprovveis, representando o espectro de variabilidade do elemento em
estudo, que serve de base para anlise de riscos e aplicao da metodologia de
sequenciamento de lavra estocstico. Depois de validados os modelos estocasticamente
simulados atravs da reconciliao, segue o processo de otimizao para definio de cava
final do modelo estimado por krigagem ordinria (base do oramento e reservas de minrio) e
tambm dos modelos simulados para posterior anlise de risco tradicional (cava final)
referente ao processo da base oramentria. Ento, aplicada a abordagem de otimizao
(annealing) da escala de risco para posterior sequenciamento de lavra operacional
considerando a incerteza dos teores. Com isso, avaliada a eficincia da reduo dos riscos
para o cumprimento das metas de teores de alimentao da planta de beneficiamento e de
execuo do plano de lavra, considerando a sequncia iterativa dos blocos de lavra atravs da
escala de risco (ESR). Esse processo comparado aos mtodos tradicionais para o
desenvolvimento do plano de lavra e sequenciamento do minrio que enviado para a planta
de beneficiamento. Tambm, so comparados os principais indicadores operacionais e
econmicos para avaliao da eficincia do mtodo.

21

1.4. ORGANIZAO DA DISSERTAO

O Captulo 2 revisa os principais conceitos de trs elementos-chave no gerenciamento
do risco em projetos de minas a cu aberto: a quantificao da incerteza dos teores, as tcnicas
de otimizao de cava (tradicionais e estocsticos) e a reconciliao de reservas minerais.
O Captulo 3 faz uma reviso geral dos mtodos de anlise de incerteza atravs da
utilizao de alguns algoritmos de simulao estocstica sequencial.
O Captulo 4 revisa, em geral, as principais tcnicas de planejamento de lavra de longo
prazo e desenvolve uma abordagem alternativa no sequenciamento de lavra operacional
associado incerteza de teores e desvio de metas, minimizando os riscos na programao da
produo de mdio e longo prazo. Em primeiro lugar, um quadro geral de otimizao da
programao de produo apresentado. Ento, a nova abordagem formulada usando os
conceitos de coeficiente de variao condicional e erro relativo com o auxlio de simulao
annealing, para minimizar a funo objetivo (itens 4.2 e 4.3.2), servindo como funo de
transferncia e resultando numa nova abordagem de sequenciamento de lavra estocstico
operacional (baseada num nico modelo otimizado e representativo do risco). Dessa maneira,
a nova abordagem permite, junto ao sequenciamento iterativo de lavra, que o risco de desvio
das metas de produo seja minimizado.
O Captulo 5 descreve a aplicao de simulao geoestatstica mina de cobre a cu
aberto Sequeirinho, no estado do Par. O mtodo de simulao por Bandas Rotativas (Turning
Bands) usado para produzir uma srie de modelos da distribuio espacial de teores. Esses
modelos so usados para avaliar a incerteza quanto aos recursos e reservas minerais
disponveis. A comparao (reconciliao) com o modelo de recursos estimado pelo mtodo
de krigagem ordinria de curto prazo, atualmente em uso na mina, destaca a contribuio de
abordagens estocsticas baseadas no risco.
O Captulo 6 refere-se aplicao da abordagem de sequenciamento de produo
operacional na Cava Sequeirinho com risco associado. Primeiramente, desenvolvida a
programao de produo da vida til da mina, utilizando-se apenas o componente do
algoritmo tradicional de otimizao de cava, apresentado no Captulo 4. Nesse caso, a
incerteza dos teores no considerada. Desse modo, as projees para os indicadores-chave
do projeto so comparados com as projees obtidas usando-se o sequenciamento
convencional de lavra. A formulao integral do Captulo 4 ento utilizada para gerar uma
sequncia de blocos otimizados para definio do risco que posteriormente ser usado numa
22

sequncia operacional de avano de lavra, minimizando os riscos e desvios de metas de
produo. Uma comparao com os avanos de lavra tradicionalmente gerados mostra as
vantagens potenciais relacionadas aos indicadores operacionais da abordagem proposta com
risco associado.
Por fim, o Captulo 7 apresenta as concluses e sugestes para trabalhos futuros.

23

Captulo 2

2. REVISO BIBLIOGRFICA

Tcnicas estatsticas para avaliao de recursos in situ em estudos de painis foram
propostas, primeiramente, por Krige (1951) e Sichel (1952) h mais de 60 anos. Esses
trabalhos pioneiros foram desenvolvidos formalmente algum tempo depois por Matheron
(1962), o que acabou resultando na geoestatstica, que posteriormente foi estendida para as
aplicaes mineiras.
A diferena entre recursos e reservas em termos geoestatsticos foi claramente
estabelecida por David (1977). Um ano depois, Journel e Huijbregts (1978) propuseram uma
abordagem formal para o problema de estimativa de reservas de minas a cu aberto,
relacionando os resultados principalmente :

(i) seleo do suporte: o minrio estimado e lavrado como uma unidade seletiva
de lavra, apresentando volumes maiores do que os furos de explorao usados ou os dados de
teores compositados disponveis para a avaliao;

(ii) informao disponvel: no tempo da seleo , usualmente, diferente daquela
disponvel no tempo que se faz a predio.

A unidade seletiva de lavra (SMU) considerada o menor volume de minrio que
pode ser segregado do estril (Kim, 1978). O planejamento de lavra tipicamente executado
em mapas da estimativa da distribuio espacial dos teores, que apresenta suavizao e
usualmente imagem enviesada da distribuio espacial real dos futuros teores nas SMU's
(Isaaks, 1990; Journel, 1974). A avaliao de reservas e o planejamento de lavra esto
intrinsecamente ligados ao mesmo aspecto do ciclo mineiro. Primeiramente, feita a
definio das reservas atravs do clculo dos recursos e posterior associao de parmetros
tcnicos e econmicos. Logo a seguir realizado o sequenciamento da retirada desse material.
Isso acaba resultando num difcil problema de otimizao, descrito e exemplificado por
Kennedy (1990) e Dowd (1994). As prticas tradicionais de avaliao de recursos e reservas
no apresentam nenhum formalismo relativo acessibilidade das incertezas associadas s
24

previses, no sendo possvel assim uma anlise detalhada dos riscos envolvidos s
propriedades inerentes ao processo de estimativa e operacionalizao de recursos e reservas
minerais.
A seguir apresentada uma breve reviso dos principais aspectos envolvidos no
processo de estimativas/simulaes, sequenciamento de lavra e anlise de risco em um
empreendimento mineiro:

(i) estimativa e modelos de incerteza de teores;

(ii) otimizao de cava e sequenciamento de lavra;

(iii) reconciliao.

2.1. ESTIMATIVAS E MODELOS DE INCERTEZA DE TEORES

As tcnicas de simulao estocstica condicional permitiram com que a variabilidade
in situ fosse quantitativamente avaliada, sendo apresentada inicialmente por Matheron (1973).
At meados da dcada de 80, a varincia de krigagem (k) era considerada uma boa
medida de qualidade das estimativas. Contudo, Journel (1986a) e, mais tarde, Brus e Gruijter
(1993) comearam a questionar o uso desse parmetro como ndice de qualidade das
estimativas. Journel (1986a) demonstrou que a k incorpora somente as caractersticas
geomtricas dos padres de amostragem, considerando exclusivamente o posicionamento
espacial das amostras e o modelo de continuidade espacial associado. Portanto, como mostra
Goovaerts (1997), a k no sofre qualquer interferncia no seu clculo dos valores das
amostras, no sendo relacionada s variabilidades locais. Dessa maneira, podem ocorrer casos
em que a k seja idntica para cenrios (teores na vizinhana local) completamente
diferentes, desde que o modelo de covarincia seja o mesmo. Assim, a k se mostra como um
parmetro inadequado para a medida de incerteza das estimativas.
De acordo com Goovaerts (1997), a abordagem tradicional para modelagem de
incertezas local, numa determinada localizao no amostrada, consiste em calcular a
varincia do erro mnimo (krigagem), estimando um valor qualquer z'(u) para o valor no
conhecido z(u) e do erro de varincia associado (E(u)) E(u) = Var{Z*(u) - Z(u)}. A
estimativa e a varincia do erro, em seguida, so tipicamente combinadas para obter um
25

intervalo de confiana do tipo Gaussiano centrado no valor estimado. No entanto, o modelo
de erro solicita duas hipteses restritivas de acordo com Isaaks e Srivastava (1989):

(i) o erro de estimativa z*(u) - z(u) modelado como uma realizao de uma RV
(varivel aleatria) Gaussiana;

(ii) a varincia de E(u) independente dos valores de dados.

Dessa maneira, Isaaks e Srivastava (1989) comentam que a primeira suposio implica
a simetria da distribuio local de erros. Na prtica, os valores estimados tendem a ser
superestimados em reas de baixo valor e subestimados em reas de alto valor (efeito de
suavizao). Assim, distribuies de erros so geralmente positiva ou negativamente
assimtricas localmente. A distribuio global de erros de estimativa, ou seja, a distribuio
de todos os erros de estimativas locais reunidas sobre a rea de estudo podem ser simtricas,
j que h superestimativa local equilibrando as subestimativas locais.
Isaaks e Srivastava (1989) citam, ainda, que a segunda condio para que a varincia
dos erros possa ser independente dos valores de dados reais e depender apenas da
configurao dos dados devido a uma situao denominada de homocedasticidade, que
raramente verificada na prtica. No exemplo da Figura 2.1, visto que a krigagem ordinria
tende a prover estimativas semelhantes de varincias E(u'1) ~= E(u'2) desde que as
configuraes de dados em locais u e u' sejam semelhantes: em ambos os casos, os dois dados
mais prximos esto aproximadamente a 250 m de distncia. No entanto, o potencial de erro
esperado ser maior em u'2, j que esse rodeado por altos teores de Cd (cdmio),
diferentemente da localizao u'1, que rodeada por dois valores de baixo teor. Assim, os
intervalos de confiana, baseados apenas em uma mera estimativa de varincia de krigagem,
geralmente no so soluo satisfatria para o problema crtico da avaliao de incerteza
local. Dessa forma, a abordagem tradicional (Figura 2.1) leva em considerao apenas a
estimativa com minimizao da varincia do erro de z*(u), adotando o modelo Gaussiano
para determinao de intervalos de confiana (Goovaerts, 1997).

26

Figura 2.1: Modelagem da incerteza de concentraes de Cd nos locais u'1 e u'2.

De acordo com Srivastava (1987a) e Journel (1989), uma abordagem mais rigorosa
avaliar primeiramente a incerteza sobre o valor desconhecido. Isso significativamente
diferente da abordagem tradicional, que se preocupa primeiramente com a estimativa ao invs
de uma associao antecipada dessa estimativa a um intervalo de confiana. Atravs da
funo de distribuio de probabilidade F(u; z|(n)) =Prob {Z(u) z|(n)}, subordinada
informao disponvel (n) dos modelos disponveis quanto incerteza do atributo z(u), podem
ser obtidos valores de intervalos de probabilidade. Esses intervalos de probabilidade so
independentes de qualquer estimativa particular z*(u) do valor desconhecido de z(u). De fato,
a incerteza depende da informao disponvel (u). Cada funo de distribuio condicional de
probabilidade F(u;z|(n)) fornece uma medida da incerteza local relacionada a um local
especfico u (Figura 2.2). Uma abordagem mais rigorosa (Figura 2.2) para modelar as
incertezas pode ser realizada atravs da anlise de distribuies de probabilidade local
(Goovaerts, 1997).

Figura 2.2: Distribuies de probabilidade local referentes aos valores de Cd.

27

Interpretam-se os fenmenos geolgicos como uma distribuio no espao de um ou
mais atributo(s) que tem(tm) seus valores como uma funo da sua localizao. Qualquer
valor de atributo, em qualquer posio, interpretado como resultado da realizao de uma
varivel aleatria (RV). Os valores dos atributos em vrias localidades podem ser
interpretados como os resultados de uma funo aleatria (RF) (Kolmogorov, 1950). Isaaks e
Srivastava (1989) comentam que a funo aleatria d ferramentas para estimar valores de
variveis em locais no conhecidos, desde que sejam feitas algumas inferncias s
caractersticas estatsticas do fenmeno. Assim como as RV's, que possuem diversos
resultados possveis, as RF's tambm apresentam diversos resultados possveis ou realizaes,
sendo caracterizadas pela sua funo de distribuio cumulativa multivariada ou cdf
(cumulative density fuction) (Goovaerts, 1997).
Como a simulao consiste em reproduzir as realizaes do modelo de RF, visto que
cada uma dessas realizaes representa uma poro da cdf, ela poder ser considerada
condicional caso reproduza a distribuio univariada dos dados em suas posies e tambm a
funo de correlao espacial (variograma ou funo covarincia) entre as amostras.
Considerando mltiplas realizaes do atributo amostral que foi reproduzido, possvel
quantificar a(s) incerteza(s) sobre a distribuio espacial de atributos geolgicos.
As pesquisas mais recentes na rea de geoestatstica (realizadas desde o final dos anos
80 at os dias atuais) envolvem o desenvolvimento e a aplicao de mtodos de simulao
estocstica. Embora o conceito de simulao geoestatstica tenha sido desenvolvido no incio
da dcada de 70 por Matheron (1972, 1973) e Journel (1974), as tcnicas de simulao no
foram largamente exploradas devido s altas exigncias computacionais envolvidas na sua
aplicao. No final da dcada de 80, com os avanos na tecnologia dos microprocessadores, o
interesse por esses mtodos foi novamente despertado. Ao longo dos ltimos 40 anos, foram
propostos vrios mtodos de simulao geoestatstica, dirigidos tanto para variveis contnuas
como categricas. Em ordem cronolgica, destacam-se as principais:
O mtodo de simulao por Bandas Rotativas (Matheron, 1972, 1973; Journel, 1974)
se refere simulao geoestatstica condicional como uma tcnica de duas etapas para simular
atributos geolgicos. Sua abordagem foi, primeiramente, usada como simulao no
condicional. Aps, foi executado o condicionamento dos dados atravs das amostras usadas
para gerar as simulaes, como apresentado na literatura acima. O mtodo por Bandas
Rotativas foi proposto como uma forma rpida e eficiente de gerar as simulaes necessrias
no condicionais. O mtodo comea com simulaes unidimensionais em linhas e, aps,
executada a projeo dessas simulaes para o espao. As principais desvantagens desse
28

mtodo eram os artefatos, tais como bandas ou faixas, que so produzidos pelo nmero finito
de linhas utilizadas na simulao. Tambm contribui como desvantagem a necessidade de
derivao dos modelos de covarincia unidimensional a partir de modelos de duas ou trs
dimenses. Ultimamente, h uma srie de softwares regularmente usados na minerao que
minimizam ou at acabam com tais desvantagens.
Dentro das cincias da terra, mtodos fractais tm sido amplamente utilizados na
simulao de diferentes fenmenos, tais como distribuies de porosidade (Hewett e Behrens,
1988) e sistemas de fraturas (Pyrak-Nolte et al. 1995). Os modelos utilizados tm como
objetivo desenvolver uma maneira de replicar a estrutura espacial de um conjunto de dados
como um todo, ao invs de fornecer estimativas confiveis de um atributo em locais
especficos. Enquanto a teoria dos fractais tem sido amplamente utilizada na simulao de
diversos fenmenos naturais, tem sido muito pouco usada em problemas de minerao, tais
como estimativa de blocos em minrio de modelos 3D do corpo ou a estimativa de reservas
recuperveis (Costa, 1997).
O mtodo LU (Lower-Uper) de simulao condicional de decomposio desenvolvido
por Davis (1987) uma extenso da decomposio LU da matriz de covarincia para a
gerao de realizaes do campo Gaussiano (Anderson, 1984), sendo aplicado tanto para
variveis categricas quanto para contnuas. O mtodo LU realiza condicionamento
simultneo com a simulao em execuo e, semelhante ao mtodo de Bandas Rotativas,
utiliza o modelo multiGaussiano. As vantagens do mtodo so a simplicidade para
implementao e considerao intrnseca das anisotropias. O mtodo bastante eficaz para a
produo de muitas realizaes.
No final dos anos 80, Alabert (1987) e Journel e Alabert (1989) propuseram a
Simulao Sequencial dos Indicadores (SIS). O mtodo baseado na decomposio em
distribuies univariadas a partir da distribuio de probabilidade multivariada (Rosenblatt,
1952). A abordagem dos indicadores inicia com a seleo do nmero de classes e seus
valores, e cada parte de informao codificada em um vetor de probabilidades cumulativas.
Isso motivou o desenvolvimento de uma srie de algoritmos de simulao conhecidos como
mtodos sequenciais.
Logo depois, Isaaks (1990) introduziu a Simulao Sequencial Gaussiana (SGS), que
se tornou um dos algoritmos mais utilizados para a simulao condicional de atributos
contnuos no domnio da avaliao dos recursos naturais (Dimitrakopoulos, 1994;
Dimitrakopoulos, 1999). Em outras palavras, o mtodo de SGS caracterizado pela aplicao
do algoritmo sequencial s distribuies condicionais univariadas locais (resultantes da
29

decomposio de uma particular funo de distribuio de probabilidade (fdp) multivariada
Gaussiana), controlada por uma distribuio de probabilidade (dp) multivariada Gaussiana,
caracterizada por uma funo de covarincia.
A Simulao dos campos de probabilidades desenvolvida por Srivastava (1992) e
Froidevaux (1993) tem como ideia bsica amostrar as diferentes ccdf's (cumulative
conditional density functions) em campos de probabilidade (p-field) utilizando nmeros
aleatrios autocorrelacionados (p-values) de maneira que os valores resultantes simulados
reproduzam o modelo de covarincia. A maior diferena entre os mtodos de Campos de
Probabilidade e os algoritmos sequenciais est na estimativa das distribuies condicionais
locais de probabilidade (dclp); nos campos de probabilidade, essas so estimadas apenas uma
vez e so condicionadas somente aos dados originais, diferentemente dos mtodos sequenciais
onde os dados previamente simulados so adicionados ao conjunto de dados amostrais.
A maioria dos desenvolvimentos recentes da simulao condicional dependem de
tcnicas de otimizao combinatria. Tais tcnicas so desenvolvidas a partir de analogias
com processos naturais. Um exemplo a Simulao Sequencial Annealing desenvolvida por
Farmer (1991) e Deutsch (1992), que se refere a algoritmos baseados no princpio de
relaxamento estocstico. Uma situao inicial gradualmente perturbada at que as restries
sejam contempladas e haja uma soluo objetiva. O processo executado honrando as
estatsticas univariadas e funo de covarincia, alm de honrar os pontos amostrais nas suas
posies. A partir do momento que definida uma funo objetivo, o processo de otimizao
modifica sistematicamente o campo simulado at que os inputs iniciais atinjam o valor da
funo objetivo, retendo a realizao com valor aceitvel de desvio em relao aos parmetros
estabelecidos. Esse tipo de simulao conceitualmente simples e oferece grande
flexibilidade com relao s restries da funo objetivo. Contudo, o processo de otimizao
demanda bastante tempo computacional, pois esse realizado atravs de tentativas e erros. A
grande vantagem do mtodo a flexibilidade na reproduo das caractersticas de interesse.
Verly (1993) desenvolveu o algoritmo de Simulao Sequencial Gaussiana Conjunta,
que se estende tcnica de simulao sequencial de um atributo para vrios atributos
interdependentes. A principal vantagem dos mtodos sequenciais sobre a decomposio LU
a sua capacidade de gerar simulaes de domnios muito maiores; no entanto, foi
demonstrado que a SGS uma implementao especfica iterativa de decomposio LU (Luo,
1998).
Godoy (2003) desenvolveu um novo mtodo de simulao condicional sequencial
direta (DBSIM), que, com base no grupo de decomposio multivariada de funes aleatrias,
30

simula diretamente na escala de suporte do bloco. O mtodo refletido em ganhos
substanciais em termos de eficincia computacional, o que o torna adequado para simulao
de depsitos grandes. Existem quatro principais vantagens prticas na abordagem:

(i) o descarte dos pontos internos dos blocos simulados representa uma reduo na
alocao de memria;

(ii) a simulao simultnea de grupos de valores pontuais no suporte de
discretizao dos blocos leva vantagem;

(iii) o algoritmo no necessita uma funo de transformao de bloco, que
geralmente baseado em um modelo de mudana de suporte global;

(iv) o mtodo tem a capacidade de simular modelos com mltiplos tamanhos de
bloco que so, muitas vezes, necessrios para a execuo em geometrias complexas
apresentadas nas jazidas.

Diversos outros mtodos foram introduzidos fornecendo algoritmos projetados para
simular os atributos contnuos e categricos incluindo Simulao Espectral (Borgman et al.,
1984), Simulao Gaussiana Truncada (Matheron et al., 1987), Simulao No Estacionria
(Dimitrakopoulos, 1990), Simulao Booleana (Damsleth et al., 1992).
Outras tcnicas de otimizao combinatria tm sido desenvolvidas recentemente,
assim como algoritmos de crescimento (Wang, 1995), as redes neurais (Dowd e Sarac, 1994;
Caers, 1998) e abordagens empricas multipontos (Guardiano e Srivastava, 1993; Strebelle,
2001).

2.1.1. Simulao Geoestatstica na Minerao

Na indstria mineira, a aplicao de tcnicas de simulao geoestatstica crescente.
Essas tcnicas tm sido usadas tanto nas fases de pr-viabilidade/viabilidade econmica,
quanto nas fases de planejamento de mina (longo e mdio prazo) e de produo (curto prazo).
Principalmente, as tcnicas tm sido aplicadas em estudos de sensibilidade, que relacionam os
parmetros envolvidos (teores) e seus efeitos sobre o valor presente lquido (VPL) do
31

empreendimento. Desde a explorao at o planejamento de longo e curto prazo, as medidas
de risco podem melhorar drasticamente a tomada de deciso. A necessidade de quantificao
de incertezas geolgicas foi reconhecida pela indstria mineira durante a dcada de 70 (David
et al., 1974;. Journel, 1974; Matheron, 1976).
As estimativas globais e locais so muitas vezes insuficientes para a otimizao do
planejamento da produo, bem como nos cronogramas e estratgias de blendagem que tm
impacto direto na lucratividade de qualquer projeto de minerao. Como brevemente visto
acima, tcnicas de estimativa tradicionais e a simulao condicional diferem em muitos
aspectos e estes esto determinantemente e probabilisticamente relacionados aos processos de
engenharia, respectivamente. Em termos gerais, o objetivo da estimativa oferecer, em cada
posio de um depsito mineral, a melhor estimativa de um atributo sem reproduzir a
heterogeneidade espacial original dos dados. Consequentemente, a variao dos valores
estimados menor do que a varincia dos dados originais, apresentando esse efeito de
suavizao. Isso pode causar vieses significativos quando o resultado de uma funo qualquer
no depende linearmente da variao das variveis envolvidas imputadas (teores). Um
exemplo simples que explica esse fato seria comparar a distncia de uma linha interpolada
sobre o leito do mar usando para tal as informaes de dados de sua profundidade com o seu
comprimento real, ou seja, essa distncia interpolada ser menor (Chils e Delfiner, 1999)
(Figura 2.3).

Figura 2.3: Instalao de cabo submarino: (a) Pesquisa do fundo ocenico (dados de profundidade) com
espaamento de 100m; (b) Estimativa por krigagem do comprimento do fundo ocenico; (c) Pesquisa contnua
do comprimento do fundo ocenico (cenrio real); (d) Simulao condicional baseado nos dados espaados
100m, e o cenrio real. Adaptado de Alfaro (1979).

De acordo com essa constatao por parte dos autores, faz-se ento necessria a
utilizao de modelos estocsticos e tcnicas de simulao para que seja possvel gerar alguns
32

"cenrios virtuais" e produzir Figuras que so representaes estatisticamente verdadeiras
para as flutuaes do fenmeno.
Os modelos utilizados com esse objetivo visam replicar a estrutura espacial de um
conjunto de dados como um todo ao invs de fornecer estimativas confiveis locais de um
atributo em locais especficos. Um depsito simulado representa um modelo numrico e pode
ser usado para testar a eficincia dos mtodos de amostragem, seletividade, operao,
diluio, transporte, blendagem, anlise econmica, entre outros.
Os primeiros estudos de simulao condicional foram voltados para a minerao nos
anos 70 e incio dos anos 80 (David, 1973; David et al., 1974;. Clark e White, 1976; Journel e
Huijbregts, 1978; Dagbert, 1981; Chils, 1984; Deraisme et al., 1984). Esses foram seguidos
por uma mudana de direo, e o desenvolvimento das tcnicas de simulao comeou a ser
usado para resoluo de problemas na engenharia de petrleo. Com o declnio dos preos dos
metais na ltima dcada, a incerteza geolgica tornou-se uma grande preocupao para a
indstria de minerao. Uma consequncia disso que os mtodos de simulao so
frequentemente utilizados para resolver os problemas relacionados minerao (Ravenscroft,
1992; Srivastava et al., 1992; Dimitrakopoulos, 1994; Dowd, 1994; Dowd, 1997).
Aplicaes recentes compreendem solues aos problemas relacionados a controle de
teores, recursos minerais, anlise de risco, planejamento de mina e projeto de amostragem.
Por exemplo, Costa (1997), Costa et al. (1997), Dimitrakopoulos (1997, 1998), Bonato
(2000c), Godoy et al. (2001), Dimitrakopoulos et al. (2002), Souza et al. (2001a, 2002),
Peroni (2002), Godoy (2003, 2009), Ramazan (2004) e Richmond (2003, 2004) aplicaram
mtodos de simulao geoestatstica para a resoluo de problemas mineiros relacionados ao
controle de teores, ao planejamento de mina e anlise de risco. Pilger (2000) aplicou
tcnicas de simulao geoestatstica para projetar campanhas de amostragem adicional e
avaliar o impacto (benefcio) provocado.
Contudo, o uso generalizado desses mtodos de simulao na indstria de minerao
tem sido dificultado. Em primeiro lugar, tem havido alguma confuso por parte dos usurios
quanto ao significado de ter vrios modelos simulados representando o mesmo depsito. O
que contribui tambm a falta de especializao tcnica por parte da indstria, para que haja
profissionais suficientes para tornar o processo de uso de simulaes e processos adjacentes
do ciclo mineiro uma rotina operacional. A segunda razo que a gerao de mltiplas
simulaes condicionais pode exigir computadores de grande porte e caros. No entanto, esse
problema mais tarde foi parcialmente superado no incio dos anos 90, com a popularizao
dos computadores pessoais e a disponibilidade de implementaes eficientes de algoritmos de
33

simulao (Deutsch e Journel, 1998). A recente aplicabilidade, associada aos resultados e
testes executados nos ltimos anos com o uso de simulaes estocsticas relacionados aos
processos de engenharia, tem levado a uma aceitao crescente de seu uso, j que esses
mtodos proporcionam anlises integradas para a rea de projetos, controle de qualidade
operacional e economia mineral do ciclo mineiro.

2.2. OTIMIZAO DE CAVA

O processo de otimizao de cava visa obteno de um desenho de cava que gere
mxima lucratividade, maior valor presente lquido e maior aproveitamento dos recursos
minerais. A determinao tima do limite vertical e lateral da cava se estende at que a mina a
cu aberto possa ser estruturada com o mximo retorno financeiro possvel. A soluo para tal
problema de otimizao limitada por parmetros especficos como resistncia geomecnica
dos taludes e restries de precedncia financeira.
Diversos algoritmos foram apresentados ao longo das ltimas dcadas com a
finalidade anteriormente citada. O mtodo mais popularmente aceito o algoritmo de Lerchs-
Grossmann (LG) (Lerchs & Grossmann, 1965), que reconhecido como o nico algoritmo
que fornece a soluo tima para o desenho de cava final a cu aberto.
Outro mtodo muito popular para a determinao da cava final a cu aberto a tcnica
conhecida como cones flutuantes (David and Dowd et al., 1974; Lemieux, 1979). Caso o
minrio contido nesse cone apresente um retorno financeiro, o cone considerado ser extrado
(respeitando as restries fsicas e geomecnicas do local). Contudo, algoritmos baseados
nessa tcnica podem levar a resultados no timos apesar dos diversos estudos executados
(Dowd & Onur, 1992).
Outro mtodo conhecido a teoria do algoritmo grfico de Zhao-Kim (Zhao & Kim,
1992). Esse algoritmo apresenta semelhana com o algoritmo Lerchs-Grossmann medida
que so executados os mesmos procedimentos para definio da cava final, resultando em
valores idnticos para ambos os processos para um mesmo modelo de bloco e parmetros
geomecnicos definidos. Zhao e Kim afirmam que o seu algoritmo mais rpido, pois se
concentra na interface minrio/estril e no na dependncia de todos os blocos.
Durante a dcada de 90, vrias limitaes prticas nas implementaes do algoritmo
LG foram resolvidos, seja pela evoluo dos algoritmos (Dowd & Onur (1993); Whittle &
Rozman (1991)) ou pela introduo de computadores mais rpidos. Uma ampla reviso sobre
34

o desenvolvimento de algoritmos de cava a cu aberto apresentada em Hochbaum e Chen
(2000).
As aplicaes de simulao condicional na parte de otimizao de cavas foram
primeiramente apresentadas por David et al. (1974) de forma a obter uma anlise de desvios
dos modelos simulados com relao a um caso base previsto que foi desenvolvido em um
modelo de blocos estimados por mtodos tradicionais. A abordagem comea pela gerao de
um caso base de cava a cu aberto em um modelo de minrio estimado usando o algoritmo
Korobov (Korobov, 1974). O mesmo algoritmo foi usado para produzir um limite de cava a
cu aberto com base em um modelo simulado. Essa foi uma primeira abordagem de anlise de
risco.
Quase 20 anos depois, Dowd e Sarac (1994) propuseram um mtodo de modelos
simulados combinados com os preos de metais e custos operacionais simulados, para
produzir uma srie de cavas. Com cada uma dessas cavas poderia ser criado um cronograma
de produo alternativo objetivando como resultado uma distribuio de valores possveis
para os indicadores de desempenho, resultando em uma anlise de risco e incerteza das
variveis relacionadas s cavas envolvidas.
Rossi (1999) apresentou um estudo de caso relacionado a um pequeno depsito, onde
foi realizada anlise de risco para a definio do limite de cava e produo relativo aos blocos
mais profundos da cava planejada. Os limites de confiana obtidos foram definidos o bastante
para justificar a continuao da perfurao nessas reas, onde a maioria do minrio de alta
qualidade estava inferida. Aplicaes desse tipo de avaliao podem incluir a necessidade de
avaliar a incerteza do bloco prximo ao fundo da cava, onde geralmente h menos informao
disponvel para a quantificao do valor.
Rossi e Van Brunt (1997), Dimitrakopoulos et al. (2001), Farrelly (2002) e Godoy
(2009) realizaram testes relativos anlise de sensibilidade de cavas devido incerteza dos
teores atravs do uso do algoritmo de Lerchs-Grossmann (Lerchs e Grossmann, 1965) em
software comercial. O procedimento gera uma srie de resultados alternativos para a
otimizao do processo original, que baseado em um nico modelo estimado. Esse tipo de
anlise de risco permite ao planejador avaliar a probabilidade de ocorrncia de um
determinado cenrio, bem como um gerenciamento mais efetivo dos ativos minerais.
Estudos recentes executados por Hochbaum (2000) tem adaptado a rvore normalizada
do algoritmo LG para um modelo de fluxo de redes mais geral, chamado de pseudofluxo,
sendo similar ao pr-fluxo utilizado no algoritmo LG. Estudo de caso realizado por Muir
35

(2007) mostrou que a variante pseudofluxo tem acrscimo de eficincia comparado ao
algoritmo genrico LG medida que o nmero de blocos aumenta.
Chatterjee e Dimitrakopoulos (2009) usaram um algoritmo de corte mnimo (Goldberg
e Tarjan, 1988; Meagher et al., 2008) para determinao de valores econmicos dos blocos de
lavra com o uso de mltiplos cenrios para definio de cava final e desenho do avano de
lavra. O mtodo baseado na formao de um grfico direto (representado como um
problema de corte mnimo) usando diversos modelos simulados ligados a duas fontes, source
node e sink node, que determinaro se um dado bloco, a partir de simulaes independentes,
dever estar do mesmo lado do corte mnimo para a gerao de uma cava vlida atravs de
uma deciso binria usando arcos direcionais. Apesar de o mtodo apresentado ser
computacionalmente eficiente e poder integrar a incerteza na definio de cava final e
sequenciamento de lavra, esse no leva em considerao o valor financeiro relacionado ao
tempo nas frmulas de programao de lavra, no obtendo o mximo potencial das
abordagens estocsticas.
Como visto acima, diversos estudos relativos otimizao do desenho de cava e
anlise de sensibilidade devido incerteza dos teores tm sido aplicados. Aps a definio da
cava final matemtica, o prximo passo consiste em dividir as reservas contidas em volumes
menores. Esses volumes so conhecidos como avano de lavra ou fases e so usados para
definir as expanses da cava no processo operacional, que podem ser combinados em uma
sequncia de extrao. A definio dos avanos tem um impacto direto sobre os principais
indicadores de desempenho do projeto, tais como fluxo de caixa anual e VPL.
No item a seguir, apresentada uma breve reviso para o sequenciamento de
produo.

2.3. SEQUENCIAMENTO DE LAVRA

A programao da produo a ser desenvolvida o sequenciamento de uma extrao
tima adequada, a fim de que haja a racionalizao dos recursos ao longo do tempo e
definio da vida til da mina pela razo de produo, avano de lavra operacional e a
sequncia de extrao dos blocos (Peroni, 2002).
A otimizao da programao da produo normalmente realizada atravs de
tcnicas de investigao operacional como a programao linear (Kim, 1967; Johnson, 1968;
36

Ramani, 1970), programao inteiro-mista (Gershon, 1983; Barbaro e Ramani, 1986) e
programao dinmica (Onur e Dowd, 1993; Seymour, 1994; Tolwinski, 1998).
Vrios mtodos tm sido apresentados na tentativa de determinar uma sequncia tima
de extrao. O mtodo mais popular para determinao de sequncia tima o uso repetido
de um algoritmo de determinao da cava final aplicado atravs da mudana sucessiva do teor
de corte (cutoff) ou do preo do metal (Crawford e Davey, 1979; Mathieson, 1982). Esse
mtodo produz um conjunto de cavas aninhadas (nested pits), onde cada cava sucessiva usa
um teor de corte ou preo de metal mais elevado do que a cava anterior. O VPL ou algum
outro critrio econmico pode ser usado em combinao com as restries de minerao para
selecionar os avanos de lavra que possam ser executveis operacionalmente (Whittle e
Rozman, 1991). Outros mtodos incluem a parametrizao dupla (Dadelen e Franois-
Bongaron, 1982) para maximizar as quantidades de metal contidas em cada corte, o mtodo
Vallet para maximizar o valor de dlar por tonelada de cada avano (Seymour, 1995) e o
mtodo de minimizao da relao estril/minrio (REM) para minimizar a REM de cada
avano (Ramazan e Dadelen, 1998).
Aps o desenho dos avanos de lavra ou fases, o prximo passo a determinao do
cronograma de produo. A programao da produo da cava a cu aberto o
desenvolvimento de uma sequncia para extrao do material definido dentro da cava final e
nos avanos de lavra. Esta sequncia de produo determina a vida til da mina e,
consequentemente, os fluxos de caixa baseados nos custos operacionais, custos de capital e
receita. De acordo com o perodo de durao da sequncia de extrao, essa pode ser
caracterizada como de longo, mdio e de curto prazo. Normalmente, a programao da
produo em longo prazo e mdio prazo relacionada a itens como VPL, produo de
minrio, REM, CAPEX (capital de investimento), OPEX (capital de operao), em perodos
variando de trs meses a um ano. O sequenciamento de programao de curto prazo, por outro
lado, o desenvolvimento da lavra em base diria, semanal ou mensal. Esse visa cumprir as
restries impostas pelo planejamento de longo prazo como a programao, capacidade de
planta, restries de estoque, utilizao dos equipamentos e situaes corriqueiras
minerao.
A Programao Linear (LP) foi uma das primeiras tcnicas aplicadas para aperfeioar
a programao de produo e problemas de blendagem na minerao (Kim, 1967; Johnson,
1968; Ramani, 1970; Halatchev e Dimitrakopoulos, 1999). No entanto, h uma grande
desvantagem para esse tipo de abordagem. Essa pode no fornecer uma soluo
37

verdadeiramente ideal, uma vez que gera blocos fracionados podendo violar as restries de
precedncia (Gershon, 1983).
Johnson (1968) desenvolveu um modelo matemtico para resolver o problema da
programao de longo prazo. Isso inclui o valor do dinheiro no tempo e diferentes tipos de
processamento do avano. O modelo foi aplicado atravs do princpio de decomposio de
Dantzig-Wolfe para decompor a formulao complexa em um problema mestre e em alguns
subproblemas. O problema principal a formulao de programao linear em aplicaes de
blendagem. Sua funo escolher uma combinao de possibilidades de minerao para cada
perodo, de modo que satisfaa as restries e maximize os lucros totais. A soluo mestre
garante a soluo dos problemas entre planos consecutivos, enquanto o subproblema,
resolvido atravs da rede de algoritmo de fluxo mximo, desenvolve planos de avano da
mina para cada perodo. No entanto, o tempo computacional para processamento
impossibilitou a aplicabilidade do mtodo.
Dadelen (1985) decompe o agendamento complexo de perodos de tempos
mltiplos em problemas menores de perodo de tempo nico, que pode ser resolvido usando
mtodos de otimizao e desenho de cavas timas como o algoritmo de fluxo mximo. O
mtodo definido com subgradiente usa parmetros lagrangiano em sua formulao
matemtica. No entanto, o mtodo lagrangiano nem sempre pode convergir para uma soluo
tima.
Onur e Dowd (1993), Seymour (1994) e Tolwinski (1998) apresentaram abordagens
com base em mtodos de programao dinmica para otimizao da sequncia de produo
usando valor presente lquido mximo como critrio de otimizao. Ao contrrio das tcnicas
de programao linear, esta no apresenta formulao matemtica padro. Na programao
dinmica, as equaes devem ser especificamente desenvolvidas para cada caso individual.
Programao dinmica d os melhores resultados entre algumas solues alternativas
selecionadas, mas no considera todas as alternativas possveis e no resulta em uma
verdadeira soluo ideal para maximizar o VPL de um projeto. Outro problema com essa
tcnica a limitao do nmero total de variveis e restries. Isso coloca grandes obstculos
na aplicao do modelo em problemas reais de programao a cu aberto (Fytas et al., 1987).
Gershon (1983) e Barbaro e Ramani (1986) propuseram programao inteira mista
(MIP) para otimizar os modelos de programao da produo a longo prazo. MIP uma
variao de programao inteira para problemas que requerem apenas algumas variveis
inteiras. As demais variveis contnuas so autorizadas a tomar qualquer valor no inferior a
zero. A formulao do problema, como uma programao MIP, permite que blocos parciais
38

possam ser extrados somente se todos os blocos precedentes tenham sido completamente
removidos. Isso representa uma vantagem com relao ao uso da programao linear. H
ainda uma grande desvantagem para essa abordagem. O nmero de variveis necessrias para
formular o problema de programao para um depsito real muito grande. Para superar esse
problema, Ramazan (2007) props o uso do algoritmo fundamental de rvore (FTA), que visa
ao sequenciamento de unidades de minerao global ou blocos, a fim de diminuir o nmero
de variveis requeridas. O mtodo apresentou resultados promissores em um estudo de caso
realizado em um depsito multimineral. No entanto, a abordagem requer mais testes e
exposio s restries operacionais na indstria mineira.
Ravenscroft (1992) sugeriu que, ao invs de concentrar-se no fornecimento de
estimativas de sensibilidade em blocos individuais e se deparar com dificuldades de combin-
los, esse poderia ser executado com o mesmo sequenciamento de produo em modelos
alternativos condicionalmente simulados, fornecendo assim uma medida da sensibilidade da
programao da produo com relao incerteza dos teores. Isso resultaria na possibilidade
de anlise atravs de intervalos de confiana para alimentao do material na usina, por
exemplo. Uma desvantagem que a metodologia assume abordagem esttica para o
sequenciamento do minrio, no incorporando assim a incerteza dos teores no processo de
programao da produo.
Smith e Dimitrakopoulos (1999) propuseram uma abordagem em que so obtidos
diversos sequenciamentos timos, um para cada modelo simulado. Se um bloco for extrado
no mesmo prazo para todas as programaes diferentes, ento a probabilidade de que o bloco
possa ser idealmente explorado nesse perodo de 100%. Assim, um nvel de probabilidade
do bloco ser minerado poderia ser usado para avaliar o impacto da incerteza na programao
da produo. Apesar de uma boa indicao dos riscos associados, essa abordagem no prev
um cronograma de produo que minimize o risco de no atingir as metas financeiras. Esse
tipo de informao pode ajudar o planejador a adotar algum padro de sequenciamento da
lavra e produzir um planejamento mais robusto com relao incerteza dos teores.
Peroni (2002) props a definio de uma metodologia para controle e planejamento de
lavra a mdio e longo prazo por incorporao da incerteza e da flutuabilidade local associadas
ao minrio, avaliando a sensibilidade do retorno financeiro e do avano de lavra relacionados.
Usou mtodos de simulao sequencial gaussiana e simulao sequencial dos indicadores.
Apesar dos resultados apresentados terem mostrado boa reprodutibilidade para o estudo de
caso executado e servirem como indicador para avanos de lavra, a metodologia no
incorpora as incertezas geolgicas como ferramenta automtica para calcular a soluo tima.
39

Ramazan e Dimitrakopoulos (2004a) desenvolveram um mtodo probabilstico para
integrar eficientemente a incerteza de teores de minrios e a questo do acesso e reduo da
circulao de equipamentos de grande porte. Esse mtodo produz uma programao prefervel
relativo distribuio do risco. No entanto, a definio das prioridades de agendamento para
os blocos a serem extrados, com base nas probabilidades atribudas aos blocos individuais,
nem sempre produz uma soluo ideal para programao da produo de depsitos grandes e
complexos, uma vez que a combinao dos blocos de baixos e altos teores no considerada
eficaz.

2.3.1. Sequenciamento de Lavra Estocstico

Os problemas de suboptimalidade, quanto definio das sequncias de lavra e
tambm a incapacidade de gerar programas de produo totalmente timos para os avanos,
estiveram em pauta nos ltimos 20 anos. O objetivo do desenho de avano de lavra (ou
pushback ou fase) determinar um guia referente ao processo de lavra de longo prazo, para
que a sequncia de extrao do material em uma cava a cu aberto ao longo do tempo
maximize o valor presente lquido (VPL) do projeto (Hustrulid & Kuchta, 2006).
Novos mtodos devem ser capazes de levar em considerao a incerteza geolgica
como parte do processo de otimizao e sequenciamento de lavra. A seguir seguem trs
principais desvantagens para determinao dos processos de otimizao de longo prazo
(Godoy, 2003):

(i) quando a distribuio dos teores no corpo de minrio no uniforme,
possvel que haja grandes diferenas entre dois cortes (avanos de lavra) adjacentes. Essa
diferena de teores e similaridade pode causar o chamado problema-lacuna, que pode resultar
em uma soluo que est longe de ser tima (Ramazan, 1996). Wang e Sevim (1993)
propuseram uma nova abordagem para resolver o problema-lacuna atravs da limitao
rigorosa do tamanho dos cortes. Infelizmente, o mtodo baseado em programao dinmica
e, como tal, nem sempre d o maior valor financeiro mximo;

(ii) a incapacidade de produzir programaes de produo operacionalmente
viveis;

40

(iii) a incerteza geolgica no levada em considerao pela otimizao com as
abordagens disponveis. O desenho da cava e avanos de lavra, bem como a programao de
produo, dependem da estimativa de teores do modelo de minrio.

Ao longo dos ltimos anos, grandes esforos tm sido feitos para integrar a incerteza
em planejamento de mina. Para incorporar a incerteza do minrio, relativos ao teor e metal,
em planejamento de mina, um conjunto de modelos igualmente provveis do minrio so
usados dentro do contexto de otimizao estocstica para o problema do sequenciamento de
produo.
Dimitrakopoulos e Ramazan (2004) desenvolveram uma abordagem probabilstica do
mtodo de programao de produo em longo prazo e introduziram o conceito de desconto
de risco geolgico (GRD). O mtodo baseado em programao linear (LP) para resolver
eficientemente o problema de sequenciamento. A formulao LP elimina o problema de
minerao parcial do bloco usando variveis lineares ao invs de abordagem binria para
melhorar a eficincia no tempo de soluo.
Esses esforos incluem a formulao de processos estocsticos de modelos de
programao inteira (SIP) (Ramazan e Dimitrakopoulos 2007, 2008) que podem otimizar o
problema de programao anual de produo de minas a cu aberto, considerando a incerteza
no fornecimento de materiais extrados do depsito. Sua formulao tem como objetivo
maximizar o VPL e minimizar os desvios esperados das metas de produo, bem como
racionalizar a abordagem estocstica. Atualmente, a principal limitao da abordagem SIP
que ela computacionalmente muito exigente. O estudo de caso em um depsito de ouro na
Austrlia mostra que o mtodo SIP tem potencial para aumentar o VPL total de projetos de
minerao de forma substancial e que esse pode ser aplicado em minas de grande porte a cu
aberto de forma eficiente.
O trabalho de Godoy e Dimitrakopoulos (2003) e Leite e Dimitrakopoulos (2007)
apresentam a programao de lavra, sendo estocasticamente otimizada utilizando um
algoritmo baseado em simulao annealing. Godoy (2003) props o uso de um
sequenciamento inicial de produo e iterativamente trocar blocos entre os perodos de
produo com a finalidade de minimizar os desvios das metas de produo de minrio e
estril. Embora o conceito de sequenciamento da produo de minrio e estril no seja
diretamente transferido parte de desenho de avano de lavra (pushback), a metodologia de
simulao annealing pode ser usada de diversas maneiras na indstria mineira.
41

Kumral e Dimitrakopoulos (2009) desenvolveram uma metodologia para o
sequenciamento estocstico da produo de mina considerando taxas de produo baseados
em valores mdios (com menor variabilidade). Neste trabalho, o modelo tradicional de
programao da produo das minas modificado para obter ritmo de produo ideal e evitar
a ocorrncia de problemas de capacidade ociosa. Alm disso, o modelo de otimizao
utilizado neste trabalho baseado em programao probabilstica, a fim de considerar a
natureza estocstica do sequenciamento e seleo de taxa de produo, na presena das
incertezas de teor mineral e financeira. A abordagem probabilstica de programao capaz
de gerar cronogramas para uma srie de nveis de confiabilidade. Algumas desvantagens com
relao programao probabilstica e perda de variabilidade devido ao efeito de suavizao
fazem com que o sequenciamento de lavra possa no apresentar nveis de confiabilidade
realistas.
Albor e Dimitrakopoulos (2009) integraram o desenho de avano de lavra num
processo de simulao estocstica considerando a influncia do nmero e tamanho de
pushbacks para anlise de risco no sequenciamento da produo. Os autores propuseram um
agrupamento de uma srie de cavas aninhadas em um nmero especfico de pushbacks,
avaliando as combinaes em termos do valor econmico descontado aproximado. Os autores
geraram sequenciamento de produo durante a vida til da mina baseado no desenho de cava
variando o nmero de pushbacks usando a formulao SIP apresentada por Ramazan e
Dimitrakopoulos (2007). Determinando e escolhendo o pushback timo, foi possvel
aumentar o valor presente lquido no processo de sequenciamento de produo para um
depsito de cobre em at 30%. A desvantagem dessa abordagem que ela
computacionalmente intensiva, visto que a formulao SIP precisa ser solucionada para cada
desenho de avano de lavra.
Asad e Dimitrakopoulos (2010) estenderam o algoritmo de fluxo mximo paramtrico
para o desenho de avanos de lavra sob incerteza geolgica e tentaram controlar as diferenas
relativas de tamanho entre os avanos (gap). A abordagem foi aplicada num depsito de cobre
e comparado ao mesmo mtodo sem o uso de controle de gap entre os avanos de lavra. Com
o uso do algoritmo, foram gerados avanos de lavra mais prticos, ou seja, com tamanhos
relativamente iguais. A abordagem limitada pela inabilidade de acomodar simultaneamente
a incerteza local e tipos de material atravs das simulaes disponveis.
O item a seguir faz uma breve reviso dos tpicos de reconciliao e reservas
recuperveis.

42

2.4. RECONCILIAO

A reconciliao um procedimento comum realizado na maioria das minas. Inmeros
gelogos e engenheiros passam horas na frente de planilhas comparando as reservas
planejadas ao que realmente foi produzido. O resultado geralmente um conjunto de fatores,
que so aplicados para estimativas futuras, na tentativa de adequar a previso melhor forma
de como a operao poder ser realizada (Morley, 2003). A validade prtica de qualquer
recurso e estimativa de reservas consiste em uma comparao das estimativas com a
produo, um procedimento comumente chamado de estudo de reconciliao. Tais estudos
so realizados rotineiramente na indstria, mas poucos so publicados, e, mesmo quando
publicados, os detalhes normalmente no so fornecidos integralmente para que haja
avaliao dos mtodos de estimativa. Estudos de caso envolvendo comparativos das tcnicas
de estimativa de recursos e de produo so uma importante fonte de informaes sobre a
validade dos procedimentos executados. Existem dois tipos de estudos de reconciliao:
aqueles baseados em uma simulao do banco de dados e aqueles baseados em um depsito
mineral real.
Dados simulados fornecem um meio para proceder a uma comparao dos mtodos de
estimativa com uma realidade idealizada e que pode ser realizada antes da produo real. A
seguir so apresentados alguns exemplos dos estudos que incorporaram elementos de
reconciliao entre as estimativas e a produo nos processos industriais (Sinclair e
Blackwell, 2002):

(i) Cu Prfiro - Depsito Similkameen: comparao entre a krigagem ordinria do
bloco, probabilidade condicional e estimativas poligonais com a produo executada
(Raymond, 1979); - Depsito Valley: semelhante ao depsito Similkameen (Raymond e
Armstrong, 1988);

(ii) Au - Comparao da krigagem ordinria de blocos, inverso da distncia e
estimativas da probabilidade condicional com a produo executada (Sinclair et al., 1993);

(iii) Vale do Mississipi - Zn-Pb - Comparao da probabilidade condicional,
krigagem ordinria e produo (Raymond, 1984);

43

(iv) Mo-Cu Prfiro - Estudo comparativo dos teores da usina (moagem) com as
estimativas da krigagem e inverso do quadrado da distncia (Johnstone e Blackwell, 1986;
Norrish e Blackwell, 1987);

(v) Au Epitermal - Depsito Golden Sunlight: krigagem dos dados de perfuratriz
(blast holes) versus produo executada (Roper, 1986); - Cresson Mine: vrias estimativas de
krigagem versus produo executada (Pontius e Head, 1996);

(vi) Sulfeto Macio - Depsito Louvem: comparao do mtodo das sees,
produo e aplicao da krigagem ordinria nos blocos (Valle et al., 1982).

Morley e Moller (2005) apresentaram um estudo de caso da aplicao de sistema de
reconciliao na mina de ferro Sishen, localizada na frica do Sul. Esse trabalho se refere
operao sobre os processos de reconciliao associadas ao uso de um sistema unificado
automatizado de reconciliao. O processo descreve as principais estimativas e as medies
que so usadas para a reconciliao, os detalhes e as caractersticas de um sistema de gesto
baseado em informao automatizada para facilitar a anlise e o fluxo do processo,
fornecendo algumas informaes sobre os benefcios que tm sido obtidos atravs da
utilizao de um rigoroso processo de reconciliao.
Abichequer (2010) avalia, atravs de um estudo de caso, a eficcia da simulao
geoestatstica na previso da variabilidade in situ dos teores e planejamento de pilhas de
homogeneizao. A metodologia proposta foi aplicada a um depsito de fosfato na regio
central do Brasil. No estudo, os teores de P2O5 previstos no plano de lavra de curto prazo e
amostrados na rea industrial foram comparados com o grupo de valores gerados para as
pilhas por meio de processo de simulao. A reproduo dos dados demonstrou a
aplicabilidade da metodologia para o depsito em questo.
No contexto do setor de minerao, em geral, a reconciliao equivale comparao
entre uma estimativa (um modelo de recursos minerais, um mineral, um modelo de minrio de
reserva, ou informaes de controle de qualidade) com a realidade executada (Glacken e
Morley, 2003; Schofield, 2001). Os objetivos fundamentais da reconciliao so (aps
Glacken e Morley, 2003):

(i) medir o desempenho da operao relacionado s predies;

44

(ii) garantir a valorizao dos bens minerais;

(iii) confirmar a eficincia das categorias da estimativa e a tonelagem respectiva;

(iv) fornecer indicadores-chave de desempenho - em especial para o controle de
teores.

2.4.1. Falhas Recentes na Indstria de Minerao

De acordo com Sinclair e Blackwell (2002), existem muitos exemplos de falha no
processo da minerao, muitos dos quais resultam da incapacidade de produo de acordo
com estimativas de reservas, quer seja em termos de teor (Figura 2.4) ou em tonelagem.
Nota-se na Figura 2.4 (Extrado de Sinclair & Blackwell, 2002) que, em apenas poucos casos,
a estimativa esteve dentro da diferena de aproximadamente 10% da produo.

Figura 2.4: Desvio das metas de produo de teores atravs da estimativa dos teores para 23 depsitos minerais
australianos de ouro.

Falhas de minerao e explorao podem ser classificadas em duas categorias
extremas: aquelas que so verdadeiras fraudes e aqueles para os quais a avaliao sofre de
45

uma ou mais falhas de procedimentos tcnicos. Alm disso, uma falha pode ser atribuda a
vrias causas, apesar de nossa tendncia de enfatizar uma causa especfica, em muitos casos.
Clow (1991) apresentou uma considerao de forma concisa sobre muitas falhas de
minas de ouro canadenses da dcada de 80. Ele sugere que a causa mais importante, em geral,
a inexperincia e desqualificao das pessoas que realizam a avaliao. Tcnicos na
explorao tendem a ser generalistas, sem um plano de execuo necessrio que leve em
conta adequadamente todos os aspectos necessrios da estrutura geolgica, da continuidade
dos teores e do corpo mineral, condies rochosas, mtodos de extrao e produo. Alm
disso, esse autor expressa um comentrio geral sobre a complexidade da geoestatstica e da
falta de integrao comum entre a geologia, a geoestatstica e a engenharia, na definio e
estimativa de recursos e reservas minerais (Clow, 1991, p. 34).

2.4.2. Reservas Recuperveis

Estimativas de recursos/reservas so feitas para determinar o teor e a quantidade de
metal (ou minrio) do depsito. Claramente, as interpretaes e as hipteses so necessrias
para chegar tonelagem e ao teor das estimativas para ser utilizado em avaliaes econmicas
e planejamento de mina.
De acordo com Sinclair e Blackwell (2002), os profissionais de formaes diversas
dependem das estimativas de recursos/reservas; no entanto, nem todos so envolvidos nos
procedimentos do dia a dia usados para obter essas estimativas. Consequentemente, muitos
envolvidos nessa cadeia no conhecem os detalhes de diferentes metodologias ou as
vantagens e desvantagens de qualquer um dos mtodos.
Os chamados mtodos tradicionais incluem o mtodo da poligonal, ponderao pelo
inverso da distncia, triangulao e mtodos de isolinhas. Um segundo grupo, apresentado
atravs de abordagens geoestatsticas, inclui diversos procedimentos. Esses so os mtodos de
krigagem definidos como krigagem simples, krigagem ordinria e krigagem dos indicadores
(Journel, 1983). Exceto por pequenos depsitos e pequenas quantidades de dados, a aplicao
de qualquer desses mtodos geralmente requer um nvel significativo de utilizao
computacional.
importante perceber que o desenvolvimento da geometria tridimensional de um
corpo de minrio (modelo geomtrico) baseado na interpretao geolgica de um depsito.
46

Estimativas individuais dos blocos dentro desse corpo geomtrico definido so realizadas para
produzir um modelo de blocos do depsito.
A determinao de um inventrio mineral uma quantificao formal de materiais que
ocorrem naturalmente, estimada por uma variedade de procedimentos empiricamente ou
teoricamente fundamentados. Depsitos minerais que so submetidos a um estudo de
viabilidade econmica so comumente classificados como reservas.
Essas estimativas de recursos/reservas, comumente determinadas a partir de modelos
de blocos de duas ou trs dimenses, atravs de amostras analisadas e distribudas no espao,
so aplicadas a volumes de rocha mineralizada, sendo esses muitas vezes de magnitude maior
do que o volume total da amostra (Fig. 2.5). Assim, os erros de estimativa podem ser vistos
como erros de extenso (ou seja, erros cometidos atravs da extenso das sries de amostras
para um volume muito maior). De acordo com Sinclair e Blackwell (2002), para fins de
elaborao de um inventrio mineral, um depsito mineral geralmente discretizado em uma
matriz de blocos e o valor mdio de cada bloco estimado a partir dos dados nas
proximidades. Assim, um inventrio mineral pode ser visto como uma anlise detalhada dos
blocos cujas dimenses individuais, localizao e teores esto determinados. De acordo com a
Figura 2.5 (Extrado de Sinclair e Blackwell, 2002), cada bloco deve ser estimado usando
dados dentro de uma rea de pesquisa (volume), definida por um crculo centrado no bloco a
ser estimado. Ainda na figura, os pequenos pontos pretos so os locais da amostra (com
valores de teor) dentro do depsito e os pequenos crculos abertos so amostras fora dos
limites do depsito.

Figura 2.5: Representao bidimensional da situao geral na estimativa de inventrio mineral.
47

David (1977) percebeu que a estimativa da frequncia da distribuio das unidades de
minerao seletiva (SMU), por ser feita atravs de compostas com tamanho e volume muito
menores, apresentava perda de variabilidade. A abordagem tradicional utiliza uma mudana
do mtodo de suporte em que se aplica um fator de correo de varincia para a amostra de
dados, de modo a obter as distribuies de frequncia para um determinado tamanho SMU
(Journel e Huijbregts, 1978). A desvantagem dessa abordagem a utilizao de um fator de
correo global, que ignora as flutuaes locais nos blocos. Outra abordagem consiste em
estimar os valores diretamente no bloco atravs de krigagem de bloco, mas, embora
teoricamente ideal, a krigagem sofre excesso de suavizao e tambm requer novas correes.
Vrios mtodos tm sido propostos para lidar com estimativa de reservas recuperveis
(Matheron, 1976; Journel, 1982; Sullivan, 1984; Verly, 1984). Todos esses mtodos resultam
na produo de valores que ainda precisam ser corrigidos em um bloco local utilizando
mudana de suporte. A simulao condicional uma soluo direta para o problema das
estimativas das reservas recuperveis, levando em conta a distribuio espacial dos teores.
Um exemplo da aplicao dessa abordagem pode ser encontrado em Costa (1997) e
Ravenscroft (1992), onde a abordagem foi apresentada e produziu melhores resultados que as
tcnicas tradicionais. Outra vantagem do uso da simulao condicional que os valores de
teores simulados podem ser reblocados de acordo com qualquer tamanho SMU,
proporcionando uma soluo simples para as estimativas locais de reservas recuperveis.
Ainda, Sinclair e Blackwell (2002) citam que a quantificao de um recurso e/ou
reserva mineral deve ser em um nvel de confiana (subjetiva ou estatstica) apropriada para
os dados disponveis e as necessidades explcitas da estimativa. Volumes, tonelagens, teores e
as quantidades de metais ou minerais so os atributos comuns quantificados. Sua estimativa
deve ser tima no sentido de que deve ser imparcial, e o erro aleatrio no deve exceder um
critrio de qualidade aceitvel. Os procedimentos para estimativas podem diferir
substancialmente para diferentes tipos de depsitos.
Reservas recuperveis so determinadas a partir de um subconjunto de estimativas
locais que servem como base para planejamento operacional e financeiro.

48

Captulo 3

3. DETERMINAO DA INCERTEZA POR SIMULAO ESTOCSTICA

Assim como apresentado no item 2.1, a varincia de krigagem ordinria (
)
incorpora no seu clculo somente as caractersticas geomtricas dos padres de amostragem,
considerando somente o posicionamento espacial das amostras e o modelo de continuidade
espacial associado. De acordo com Goovaerts (1997), a varincia de krigagem no sofre
qualquer influncia dos valores de teores das amostras, no havendo o reconhecimento
variabilidade local no ponto estimado.
A principal vantagem dos mtodos de simulao estocstica a possibilidade de
quantificao da incerteza em torno de um valor desconhecido z(u) com relao aos possveis
resultados que uma varivel aleatria pode assumir.
Este captulo apresenta uma reviso dos conceitos matemticos que podem servir para
classificao de recursos minerais e para a medio da incerteza atravs do uso de simulao
estocstica. Isso servir como base para execuo do processo de anlise de risco para o
sequenciamento de avanos de lavra relativo aos teores e tambm para o planejamento de
lavra visando ao cumprimento de metas considerando a incerteza associada dos teores (escala
de risco). Tambm sero revisados alguns conceitos bsicos de simulao estocstica
geoestatstica. Para maior detalhamento do assunto, consultar Goovaerts (1997) e Chils &
Delfiner (1999).

3.1. MEDIDAS DE INCERTEZA E DISPERSO

Os modelos probabilsticos so considerados como resultado de algum processo
aleatrio obtido atravs de realizaes de variveis aleatrias (RV) (item 2.1). As variveis
aleatrias so variveis cujos valores so gerados aleatoriamente atravs de algum mecanismo
probabilstico (Isaaks & Srivastava, 1989). Se a distribuio de probabilidade de uma varivel
aleatria for conhecida, pode-se calcular e fazer inferncias sobre as caractersticas estatsticas
dessa varivel.
49

A simulao condicional uma metodologia que, simultaneamente, considera e
reproduz as estatsticas dos dados originais e continuidade espacial da jazida. Uma parte
fundamental da metodologia o uso de estatsticas para medidas de incerteza que so
derivados da funo de distribuio condicional (cdf) da srie z(u) de teores de um bloco em
uma localizao u dentro do depsito. Medidas bsicas incluem a varincia condicional, o
coeficiente de variao condicional, faixas de percentil e intervalo de probabilidade.

3.1.1. Varincia Condicional

A varincia condicional (CV) mede o espalhamento da curva da funo de distribuio
condicional (cdf) relacionado ao seu valor mdio e dada por:

(3.1)

onde,
-
, k=1, .... K, so K valores de threshold discretizando o intervalo de variao dos -

valores;
-
a mdia da classe
, (
) que no caso de um modelo de estimativa

linear intraclasse corresponde :
= (
) / 2;
-
o valor esperado da cdf aproximado por uma soma discreta;

- F(u, Z) uma funo de valores de teores Z para uma determinada localizao u:

(3.2)

A varincia condicional define o espalhamento em torno da mdia, que dependente
da mdia das classes
.

3.1.2. Coeficiente de Variao Condicional

O coeficiente de variao condicional (CCV) ou desvio padro condicional relativo
corresponde ao desvio-padro condicional racionalizado pela mdia. Uma vantagem do CCV
50

que esse expressa diretamente a variabilidade como uma porcentagem da mdia, assim
filtrando efeitos proporcionais. Esse calculado da seguinte maneira:

(3.3)

Atravs do coeficiente de variao condicional, possvel verificar o grau de
representatividade da mdia relativo ao conjunto de dados, sendo utilizado para comparar a
variabilidade de grupos de dados com ordem de magnitude e com unidades de medidas
distintas.
Um coeficiente de variao condicional superior a 50% sugere alta disperso em torno
da mdia, o que indica heterogeneidade dos dados. Quanto maior for esse valor, maior a
impreciso associada estimativa da mdia.

3.1.3. Intervalo Entre Quartil Condicional

O intervalo entre quartil condicional (IEQ) definido como a diferena entre o quartil
(
) superior (
) e o inferior (
) da distribuio, sendo i o valor de quartil da

distribuio:

(3.4)

Ao contrrio do CV e CCV, o IEQ e suas variaes (percentil) no so afetadas pela
magnitude dos teores na cdf, no sendo sensveis aos valores extremos. O IEQ e suas
variaes podem tambm ser escalonados pela mdia ou mediana da cdf correspondente.

3.1.4. Intervalo de Probabilidade e Confiana

A probabilidade de um valor desconhecido (u) estar dentro de um intervalo (a, b],
definido como intervalo de probabilidade ou intervalo de confiana, calculado como a
51

diferena entre os valores (F(u; b|(n))) da curva da funo de densidade cumulativa (ccdf)
para os valores do intervalo b e a (Goovaerts, 1997):

Prob {Z(u) (a,b]|(n)} = F(u; b|(n)) - F(u; a|(n)) (3.5)

Ajustando-se o limite superior do valor b do intervalo para +, resulta a probabilidade
de um determinado valor exceder o valor a:

Prob {Z(u) (a,+]|(n)} = Prob {Z(u) > a|(n)}
= 1 - F(u; a|(n) (3.6)

Outra maneira similar para expressar-se a probabilidade de ocorrncia pela definio
de um intervalo de confiana atravs do clculo dos valores de percentil (
) na
localizao u da cdf correspondente. O intervalo entre percentis (IEP) pode ser expresso da
seguinte maneira:

(3.7)

3.2. MODELO DE FUNO ALEATRIA (RF)

Abordagens geoestatsticas so baseadas no conceito de modelos de funes
aleatrias. Isso significa que necessrio um modelo para que possam ser feitas inferncias
sobre o valor de um atributo em locais no amostrados no depsito. Esse modelo construdo
a partir de conceitos de funo aleatria espacial (Kolmogorov, 1950; Yaglom, 1962; Whittle,
1963) do fenmeno espacial, definido pela distribuio no espao de um ou mais atributos.
Esse servir de base para o processo de simulao, permitindo que ocorra a modelagem da(s)
incerteza(s) pela gerao de mltiplas realizaes dos valores de atributos distribudos no
espao, num processo conhecido como simulao estocstica (Johnson, 1987).

52

3.2.1. Variveis Aleatrias Contnuas

Fenmenos naturais, tais como os que formam os depsitos minerais, podem ser
simplificados e modelados como a distribuio no espao de um ou mais valores de atributos
que caracterizem esse fenmeno, por exemplo, o teor de um depsito, z(u), onde cada valor z
est associada a uma localizao u e definido no espao tridimensional (u R). Os valores
dos atributos em qualquer localizao u, seja amostrado ou no, pode ser interpretado como o
resultado de uma varivel aleatria (RV), definida como Z(u). Essa RV uma varivel que
pode ter um certo nmero de resultados de valores de acordo com alguma distribuio de
probabilidade. Se o atributo tem uma faixa contnua de resultados possveis, modelado
como uma RV contnua. Uma RV contnua completamente caracterizada pela sua funo de
distribuio cumulativa (cdf), que indica que a probabilidade (P) para a varivel Z na
localizao u (Z(u)) no pode ser maior do que qualquer limite z:

F(u, z)=P{Z(u) z}, z (3.8)

3.2.2. Funes Aleatrias Estacionrias e Ergdigas

O conjunto de N amostras de um atributo z(
), i=1,...,N, dentro de um depsito

mineral D pode ser considerado como uma realizao particular do conjunto de variveis
aleatrias definidas por Z(u) nomeadas como uma funo aleatria (RF) ou processo
estocstico. A distribuio espacial real de valores dos atributos vista como uma realizao
particular dessa RF ( Goovaerts, 1997; Chils & Delfiner, 1999).
Uma funo aleatria completamente caracterizada pelo conjunto de todas as suas N
variaes ou N pontos das cdf para qualquer nmero N e qualquer escolha relativo s N's
localizaes ui, i = 1,...,N.

F(
,...,
) = Prob{Z(
,...,Z(
} (3.9)

A cdf multivariada caracteriza a juno das incertezas com relao aos N valores reais
z
),..., z
, constituindo a ento chamada "lei espacial" de Z(. Outra forma de

53

representao da lei espacial de Z( a funo de densidade de probabilidade (pdf), que
dada pelas N's derivadas parciais:

f (u
1
,...,u
) =
(3.10)

Se algumas variveis so definidas com valores especficos constantes, ento a
distribuio das variveis restantes definida como uma distribuio condicional. Esse
processo de atualizao dos valores usualmente resulta em uma pdf diferente, essa chamada
de funo de densidade de probabilidade condicional (cpdf):

F(
,...,
= Prob{Z(
,...,Z(
} (3.11)

onde (n) representa o conjunto de valores condicionantes.
Em termos probabilsticos, no que se relaciona deciso de estacionaridade, o modelo
de funo aleatria Z( deve ser escolhido para ser estacionrio dentro do domnio D. A RF
Z( dita estacionria dentro do domnio D se a cdf multivariada (3.9) permanecer
invarivel s mudanas do vetor h para dois vetores quaisquer das RV's {Z(
),...,Z(
)} e
{Z(
),..., Z(
)}(Goovaerts,1997):

F(
,...,
= F(
,...,
,...,
,...,
e h (3.12)

Se as pdf''s multivariadas da Equao (3.12) no forem idnticas, ento dito que a
funo aleatria RF no estacionria (Chils & Delfiner, 1999). Normalmente, a anlise
limitada em cdf's de 1-ponto e 2-pontos e nos dois primeiros momentos da funo aleatria,
sendo suficiente para assumir a existncia dos momentos (estritamente estacionrio de ordem
2).
Dessa forma, a funo aleatria Z( dita estritamente estacionria de ordem 2 se
seguir as seguintes condies:

(i) o momento de primeira ordem da RF existe mas no depende da localizao u:

m = E{Z (u)} u (3.13)
54

(ii) para cada par de variveis aleatrias {Z(u), Z( )}, a covarincia (momento
de segunda ordem) existe e no depende de suas respectivas localizaes, mas sim da
distncia que separa ambas amostras representada por um vetor h. Sob essa condio, a
covarincia C(h) definida como:

C(h) = E{Z(u) Z(u + h)} - E{Z(u)} E{Z(u + h)} u (3.14)

Outros momentos de segunda ordem so representados da seguinte maneira:

A varincia

Var {Z(u)} = E{[Z(u) - m]} = C(0) u (3.15)

O correlograma (h)

(h) = C(h) / C(0) (3.16)

O variograma (h)
(h) = C(0) - C(h) (3.17)

A RF Z(u) estacionria dita ergdiga no parmetro m se a realizao correspondente
estatstica
i tender para m com o aumento do nmero de realizaes i. O parmetro m

geralmente usado como a mdia estacionria da RF, ou seja, a mdia de sua cdf F(z) (Bartlett,
1966). A noo de ergodicidade pode ser estendida para qualquer outro parmetro do modelo,
por exemplo, o valor da cdf F(z) para um determinado teor de corte z ou para o modelo de
covarincia C(h). Assim, desde que Z(u) seja estacionria e ergdiga e o campo de simulao
seja grande o suficiente, as estatsticas de qualquer realizao i independente reproduziro os
parmetros do modelo.
Estacionaridade e ergodicidade so propriedades do modelo RF necessrio para
inferncia e no caractersticas do fenmeno em estudo. Por isso, no h escolha a ser feita a
no ser considerar um modelo RF tanto estacionrio quanto ergdigo, ao menos levando em
considerao os momentos que se deseja reproduzir.
55

3.2.3. Simulao Estocstica

Uma simulao da funo aleatria {Z(u) : u A} simplesmente uma realizao de
Z(u) aleatoriamente selecionada no conjunto de todas as realizaes possveis. Sua construo
requer o conhecimento, no mnimo implicitamente, da distribuio espacial da RF Z(u)
(Chils & Delfiner, 1999). O princpio sequencial, que intrnseco aos algoritmos de
simulao sequencial, se refere modelagem e amostragem pontual da ccdf em cada um dos
N ns visitados atravs de uma sequncia aleatria, ao invs da modelagem dos N-pontos da
ccdf (3.11). Esse princpio aplicado para assegurar a reproduo do modelo de covarincia z
medida que cada ponto da ccdf dita condicional no apenas para os dados originais n, mas
tambm para todos os valores simulados nas localizaes previamente visitadas. Esse pode ser
generalizado para mais do que dois pontos (multivariado) atravs da decomposio da cdf
como o produto de N distribuies condicionais univariadas (Goovaerts, 1997):

F(
,...,
= F(

F(
...
F(
F(

(3.18)

onde F(
a cdf de Z
dado o conjunto de valores de dados

originais e ( ) realizaes Z
, j = 1, ... , . A decomposio (3.18)

permite que seja gerada uma realizao do vetor aleatrio {Z
, j = 1, ... , } em N passos
sucessivos:

(i) determinar uma realizao
obtida aleatoriamente a partir da funo de

distribuio de probabilidade (pdf) univariada da varivel aleatria Z
;

(ii) determinar a pdf condicional de Z
dado que Z
e obter

aleatoriamente a partir desta funo de distribuio de probabilidade condicional (cpdf);

(iii) determinar a pdf condicional de Z
dado que Z
e Z
e
obter
aleatoriamente a partir desta cpdf;

56

(N) determinar a pdf condicional de Z
dado que Z
, j e( ) e
obter
aleatoriamente a partir desta cpdf.

Para que o algoritmo possa ser utilizado na prtica, necessria uma sequncia
completa de distribuies condicionais para uma dada pdf conhecida. Tais distribuies
podem ser facilmente obtidas atravs de seus parmetros obtidos por krigagem simples (SK),
que usualmente produzem realizaes de RFs com estacionaridade estrita apresentando mdia
igual a zero, para uma distribuio RF Gaussiana multivariada.

3.3. FUNO ALEATRIA GAUSSIANA

Uma funo aleatria estacionria Gaussiana se todas as suas N-dimensional
distribuies so normais. Se Y(u) estritamente estacionria e ergdiga Gaussiana, ento
Y(u) exclusivamente determinada pela sua mdia m e sua funo covarincia C(h).
Rosenblatt (1952) e Anderson (1984) mostraram que a cdf condicional de qualquer RV Y(
)
dado um conjunto de dados y(
), = 1,...,n uma distribuio Gaussiana com valor

esperado, covarincia e varincia dada por:

E{Y(
)} = m = 0 (3.19)

E{Y(
) | Y(
} - m = C(
) (3.20)

Var{Y(
)} = = 1 (3.21)

O valor de m(
) pode ser determinado pelo sistema de krigagem simples:

. y(
+ [1 -
]. E{Y(
)} (3.22)

onde
representa os pesos obtidos pelo sistema de krigagem simples.

57

Entretanto, na prtica, a maioria das reas de geocincias raramente apresentam um
distribuio Gaussiana. Ento aplicado uma transformao para normalizao dos dados
iniciais z(
, = 1,...,n para obteno do modelo Gaussiano:

y (
) = [z (
] = 1,...,n (3.23)

onde ( ) uma funo de transformao que define y(
como uma funo da varivel

z(
, e a primeira tem uma distribuio Gaussiana com mdia zero e varincia 1.

A simples normalizao dos dados no uma condio suficiente para que os dados
tenham uma distribuio Gaussiana multivariada. Para verificar se a distribuio multi-
Gaussiana, necessrio que a combinao de pares de valores Y(
) e Y(
), h
tambm seja uma distribuio Gaussiana bivariada (ver Goovaerts, 1998, p. 271-275).
As realizaes
) so transformadas em realizaes
) atravs da funo
inversa
) =
)] = 1,...,n (3.24)

3.4. SIMULAO SEQUENCIAL CONDICIONAL

Uma simulao dita condicional medida que essa reproduz os valores das amostras
nas suas localizaes. O dado disponvel visto como uma realizao particular de um
conjunto de dados aleatrios e, em geral, usado para caracterizar a RF atravs da sua
distribuio univariada e funo covarincia. A extenso da simulao sequencial de uma
funo aleatria condicional para um conjunto de dados descrito a seguir, considerando uma
RF Z(u) estacionria e ergdiga, levando em considerao um conjunto de variveis aleatrias
Z(
), u
, i = 1,..., N, e um outro conjunto de dados em que uma realizao conhecida e

descrita por (n). Como para o caso da pdf no condicional, assim definida pela decomposio
da pdf multivariada (Rosenblatt, 1952 p.470) como uma maneira para a gerao das
realizaes, a decomposio da N-variada pdf condicional ao conjunto de dados (n) escrito
como:

58

F(
,...,
= F (

F (

...
F (

(3.25)

O algoritmo sequencial permanece o mesmo, mas, ao invs de selecionarmos o
primeiro valor
da pdf univariada de Z(
), esse selecionado a partir da pdf condicional de

Z(
) dados os valores originais (n). Isso faz com que seja possvel realizar simulaes tanto
no condicionais (N = 0) quanto condicionais (N > 0), sendo possvel reproduzir a sua
distribuio espacial bem como sua respectiva covarincia (Chils & Delfiner, 1999). Para
uma RF com a mdia conhecida, a distribuio condicional de Z(
) Gaussiana, com
mdia
e varincia
, onde
o resultado da estimativa por krigagem simples

de Z(
) a partir de {Z(
) : j < i}, sendo
a varincia de krigagem associada.

Dessa maneira, para que qualquer tipo de funo aleatria possa ser aplicada na
simulao sequencial gaussiana, necessrio que haja a transformao dessa funo em uma
funo Gaussiana multivariada estacionria. Essa transformao vlida medida que
preserva o modelo de covarincia citada anteriormente. Resumindo, a RF Z(u) Gaussiana
multivariada caracterizada se (Deutsch & Journel, 1992):

(i) os subconjuntos forem Gaussianos multivariados;

(ii) a combinao linear das variveis aleatrias forem Gaussianas;

(iii) as distribuies condicionais de uma varivel aleatria, sendo essas geradas por
outras variveis aleatrias j simuladas, apresentarem caractersticas de forma Gaussiana
(normal).

Os parmetros para as distribuies condicionais univariadas podem ser derivadas
usando as equaes (3.19) e (3.20). A implementao tradicional da simulao sequencial sob
um modelo Gaussiano conhecido como simulao sequencial Gaussiana (SGS) (Isaaks,
1990).
59

3.4.1. Condicionamento por Krigagem

Considere-se uma RF Z() conhecida nos N pontos amostrados
, = 1,...,N.
Assumindo que h uma simulao no condicional S() independente de Z(), com a mesma
covarincia de Z(), o condicionamento a operao onde possvel passar S() a uma
simulao T() que coincidem os pontos amostrais. Sendo
a estimativa atravs da
krigagem de Z() na localizao u, baseado nos dados
, ento (Chils & Delfiner,

1999):

Z() =
+ [Z() -
]

O erro de krigagem [Z() -
] desconhecido, visto que Z() no conhecido.

Considerando a mesma igualdade para S(), onde
a estimativa de krigagem obtida

como se a simulao fosse conhecida nos pontos amostrais
:

S() =
+ [S() -
]

Dessa maneira, o valor verdadeiro S() conhecido e ento a simulao da krigagem
do erro S() -
calculado. Assim, substituindo o erro desconhecido pela simulao

desse erro na decomposio de Z(), obtm-se T() definido por:

T() =
+ [S() -
] (3.26)

Visto que a krigagem um interpolador exato, num ponto amostral tem-se
=
Z(
) e
= S(
), ento T(
) = Z(
). Como S e Z so independentes, a covarincia de

T tambm a soma da covarincia de
e S -
, igualando-se covarincia de Z -

(abordagem geral ver Delfiner, 1976). Ento:

Cov(T(), T()) = Cov(Z(), Z()) (3.27)

importante notar que, na Equao (3.26), as simulaes no condicionais S() so
apenas usadas no clculo da krigagem dos erros e devem ser selecionadas com mdia zero.
60

Quando considerado condicional em Z(
), ento T() no mais estacionrio. A

mdia e sua respectiva varincia, de um grande nmero de simulaes condicionais
independentes num dado ponto qualquer, tende estimativa e varincia por krigagem.
Uma simulao condicional se comporta como os dados reais do depsito, mas no
serve para estimar o depsito (Chils & Delfiner, 1999). Como um interpolador de Z(), uma
simulao T() no seria capaz de estimar localmente com qualidade e a sua varincia seria
duas vezes a varincia da krigagem. Como:

T() - Z() = [
- Z()] + [S() -
]

ento,
E[T() - Z()] = 2
(u)

De acordo com as palavras do poeta Jean Cocteau, uma simulao condicional "uma
mentira que sempre diz a verdade".

3.4.2. Simulao Sequencial Gaussiana

Considere-se a simulao de um atributo contnuo z nos N pontos
de um grid
condicional ao conjunto de dados {z(
), = 1,...,n}. A simulao Sequencial Gaussiana

procedida da seguinte maneira (Goovaerts, 1998):

(i) checar a apropriao do modelo RF multiGaussiano, que necessita de uma
transformao prvia dos valores z-data em y-data com uma cdf normal padro usando o
processo de transformao normal descrito pela Equao (3.23);

(ii) checar se a funo de densidade cumulativa condicional (ccdf) validada sob a
hiptese de Bi-normalidade;

(iii) se o modelo RF multiGaussiano retido para a varivel y, a simulao
sequencial processada nos dados y(u');

61

(iv) definir um caminho aleatrio visitando todos os pontos do grid a serem
simulados, selecionando um conjunto de dados condicionantes ao redor de cada ponto
a
ser simulado, incluindo os dados y (u') e os pontos previamente simulados
;

(v) determinar em cada ponto u' os parmetros (mdia e varincia) da ccdf
Gaussiana G(u'; y|(n)) usando SK com o modelo semivariograma dos dados normais
(h);

(vi) selecionar um valor simulado
da ccdf obtida em (v) e adicion-lo ao

conjunto de dados condicionantes;

(vii) proceder para o prximo ponto atravs de um processo aleatrio e repetir os
dois ltimos passos citados;

(viii) repetir o processo at que todos os N pontos sejam simulados;

(ix) o passo final consiste na retrotransformao dos dados simulados no espao
Gaussiano em valores simulados da varivel original, aplicando a transformao inversa
normal (3.24) dos valores y.

3.4.3. Simulao Sequencial dos Indicadores

A aplicao da metodologia geral de simulao sequencial para o caso de uma funo
de indicadores foi desenvolvido por Alabert (1987b) e Journel (1989). O princpio da
metodologia sequencial selecionar sequencialmente um valor da distribuio condicional
construda a partir dos dados e de cada ponto previamente simulado. A funo F(
definida atravs de uma srie de valores de cutoff's K sendo o alcance das variaes de z
discretizados por valores
:

F(u;
|(n)) = Prob {Z(u)
|(n)} k = 1,..., K (3.28)

Os valores K da ccdf so ento interpolados entre cada classe (
e extrapolados
entre dois valores extremos
.
62

A abordagem por indicadores baseada na interpretao da probabilidade condicional
(3.28) como uma esperana condicional de um indicador RV I(u;
) dada a informao (n).

F(u;
|(n)) = E {I(u;
)|(n)} (3.29)

com I(u;
) = 1 se Z(
e zero caso contrrio.

3.4.4. Simulao por Bandas Rotativas

O mtodo de simulao por Bandas Rotativas foi primeiramente utilizado por
Chentsov (1957) no caso especial para funes aleatrias Brownianas. O desenvolvimento
para as simulaes foi devido a Matheron (1973a). Esse consiste na adio de um grande
nmero de simulaes independentes definidas por linhas varrendo o plano. O valor da
simulao no ponto x do plano a soma dos valores assumidos nas projees de x nas
diferentes linhas atravs das simulaes unidimensionais correspondentes (Chils & Delfiner,
1999). Considerando um sistema de
linhas (bandas) varrendo o plano regularmente a partir

da origem no espao (Figura 3.1), o ngulo entre duas linhas adjacentes ser

apresentado da seguinte maneira:

Figura 3.1: O princpio das bandas rotativas em 2D (extrado de Chils & Delfiner,1999).

onde,
63

-
[0, [ o ngulo da linha
com o eixo x;
-
o vetor unidade de
com os componentes cos
e sin
;
-
a abscissa em
centrado na origem.
Simulaes no condicionais independentes
com mdia zero e com covarincia
(h) so associadas s linhas
. Considerando um ponto x = (x, y) no plano, a sua projeo

em
um ponto com abscissa:

= x cos
+ y sin

Ento a simulao no ponto x ser definida por

(x) =
(3.30)

Com as simulaes elementares sendo independentes e com a mesma covarincia
(h), a covarincia generalizada de (x) definida como:

(3.31)
A simulao em cada linha considerada no condicional para os valores de uma
funo aleatria em R com uma determinada covarincia. Alguns algoritmos para simular
valores em uma dada linha respeitando o modelo de covarincia so apresentados por
Lantujoul (2002).
O condicionamento dos valores simulados nos locais de interesse pode ser visto no
item (3.4.1).
De maneira geral, o algoritmo para aplicar o mtodo de bandas rotativas apresentado
abaixo:

(i) gerar n direes independentes
,...,
(Figura 3.1);

(ii) traar uma perpendicular de um linha (banda) simulada at o ponto x (Figura
3.1). Todas as realizaes devem ter a mesma covarincia
;

64

(iii) gerar n processos estocsticos independentes
,...,
de funes de
covarincias respectivas C
,...,C
e obter o valor
) em cada banda (Figura 3.2);

Figura 3.2: Clculo do ponto simulado pelo princpio das bandas rotativas em 2D (extrado de Souza, 2007).

(iv) obter o valor simulado em x de acordo com a Equao (3.30).

A reviso de alguns mtodos de simulao geoestatstica apresentados acima
importante para a modelagem da incerteza geolgica (variabilidade dos teores), que servir de
base para inferncias no processo de definio de cava final (otimizao de cava),
planejamento de lavra (sequenciamento) e comparaes atravs do processo de reconciliao.
A seleo do algoritmo a ser utilizado depende essencialmente da aplicabilidade e da
confiabilidade dos resultados da metodologia empregada. Apesar de apresentadas diversas
tcnicas, o algoritmo pelo mtodo de Bandas Rotativas ser empregado neste estudo.

65

Captulo 4

4. PLANEJAMENTO DE LAVRA E INCERTEZA GEOLGICA

O captulo apresenta o desenvolvimento de uma abordagem para o planejamento
operacional (desenho operacional de avano de lavra) de mdio e longo prazo, referente ao
sequenciamento de lavra (produo), levando em considerao os diversos modelos
equiprovveis simulados e a incerteza dos teores. A abordagem proposta pode ser utilizada
por algoritmos de otimizao atravs de programao linear ou atravs de mtodo iterativo de
sequenciamento de produo operacional. Uma reviso geral para o sequenciamento de
produo de mdio e longo prazo apresentada. Essa reviso estendida abordagem
alternativa de sequenciamento de lavra operacional combinando a incerteza de teores e desvio
de metas, com a finalidade de minimizar os riscos na programao da produo. definido e
apresentado o conceito de escala de risco (ESR) baseado na minimizao (otimizao) da
funo-objetivo por simulao annealing (Deutsch, 1992). A abordagem eficientemente
hbil e confivel na minimizao dos desvios de meta de produo e na determinao dos
riscos associados s reservas minerais.

4.1. PLANEJAMENTO E SEQUENCIAMENTO DE LAVRA A CU ABERTO

O processo de programao de produo a cu aberto a determinao de uma
sequncia de produo no tempo que envolve pelo menos a remoo de dois tipos de
materiais: minrio e estril. De acordo com Halatchev (2002), a programao de uma
sequncia otimizada de produo no processo de lavra depende das caractersticas geolgicas
do depsito, condies de lavra, tecnologias de processamento e parmetros econmicos
associados ao espao e tempo. Se o cronograma de produo maximiza o lucro total do
projeto, sujeito s condies tcnicas, econmicas e ambientais, esse dito como ideal. As
combinaes possveis de produo de minrio e de estril (REM - relao estril/minrio) e a
taxa de produo de minrio que atenda aos requisitos de alimentao do moinho so duas
grandes limitaes tcnicas envolvidas na determinao do sequenciamento de lavra.

66

4.1.1. Otimizao de Cava a Cu Aberto - Conceito

A otimizao matemtica de cava realizada com o uso de uma funo-objetivo, que
visa maximizao do lucro gerado pelo cava, calculado como o valor acumulado de todo o
material (minrio e estril) que est dentro dessa (Figura 4.1, modificada de Whittle Strategic
Mine Planning, short course, Whittle, 2004a). A incluso ou excluso do material que far
parte do esboo da cava otimizada depende necessariamente de variveis de deciso (tempo) e
restries geomtricas (ngulo do talude e espao fsico) que devem ser obedecidas para que
haja a cava no processo de otimizao matemtica.

Figura 4.1: Corpo de minrio tpico com limite de cava matemtica.

O clculo matemtico para definio da cava final o primeiro passo no planejamento
do sequenciamento da produo. Existem diversos algoritmos para a projeo dessa cava.
Para qualquer modelo de minrio, existem diversas definies de cavas possvel. As receitas
financeiras so calculadas a partir de tonelagens de minrio, teores, recuperaes e preo do
produto. O valor de qualquer esboo de cava aceitvel pode, em teoria, ser calculado somando
receitas menos custos para cada metro cbico, ou a cada bloco, dentro do limite da cava.
Das vrias tcnicas usadas para desenvolver uma sequncia de extrao a cu aberto, a
mais comum a produo de cavas aninhadas (Figura 4.2, modificada de Hustrulid e Kuchta,
1995), que podem ser extradas de forma independente. Isso possvel atravs do uso repetido
de um algoritmo para definio de cava final alterando sucessivamente o preo da
commoditie. Quanto mais baixos os preos de venda utilizados para o minrio, menores sero
as cavas geradas (Hustrulid e Kuchta, 1995). As cavas iro se estender em direo s reas de
maiores teores e/ou tero uma REM muito baixa. Uma vez que os fluxos de caixa que
ocorrem no incio tm menores taxas de desconto e, assim, contribuem mais para o valor
67

presente lquido (VPL) do projeto, vale a pena antecipar possveis receitas e retardar as
despesas tanto quanto for possvel (Whittle e Rozman, 1991).
Na prtica, as cavas aninhadas so usadas apenas como orientao para a concepo
de estgios ou avano de lavra (pushback). Um avano de lavra uma fase na expanso da
mina, que deve ser desenvolvida sob algumas restries (ngulo de talude, largura de bermas,
taxa de alimentao da usina, espao de operao, etc.) com a finalidade de garantir com que
a sequncia de lavra seja executada adequadamente. Do ponto de vista terico, a determinao
de uma programao tima de produo em uma mina a cu aberto s pode ser feita dentro de
um chamado domnio vivel (Godoy, 2002) (Figuras 4.3 e 4.4). A relao dos materiais
(REM) para a sequncia de lavra definida como a proporo de estril a ser retirada
permitindo expor e lavrar economicamente a poro de minrio do depsito. Essa tambm
pode ser uma relao parcial, referente a um perodo, um avano operacional (pushback) ou
um painel de lavra. A REM pode ainda ser adicional na medida que se faa um incremento na
cava para buscar a extrao de uma poro adicional de minrio em profundidade que envolva
a remoo de estril.
A cava ter atingido sua profundidade final sempre que os custos de remoo de estril
somados aos custos de extrao e processamento do minrio forem maiores (ou por vezes at
mesmo iguais) do que a receita advinda da venda do bem mineral.

Figura 4.2: Representao esquemtica de uma srie de cavas aninhadas calculadas a partir de uma srie de
valores de commodity.

68

Para o pior caso de remoo de material minrio e estril associado aos fatores
econmicos no tempo, o mtodo (Figura 4.3, extrada e adaptada de Hustrulid e Kuchta,
1995) requer que cada bancada de minrio seja minerada em sequncia (top down) e que todo
o estril seja removido de cada bancada sucessivamente, at o cumprimento do limite da cava
final. Esse sequenciamento assumido para fornecer a mxima quantidade de estril que pode
ser removida da cava com a finalidade de recuperar uma certa quantidade de minrio (maior
proporo REM). As vantagens desse mtodo so o espao operacional disponvel, a
acessibilidade do minrio na bancada subsequente, todos os equipamentos operam em um
mesmo nvel, no h risco de contaminao (ou diluio) proveniente de estril lanado de
bancadas superiores e a quantidade de equipamentos ser mnima nos ltimos anos de vida
til da mina.
A maior desvantagem desse mtodo que os custos operacionais so mximos durante
os anos iniciais de operao, logo quando a mxima lucratividade exigida. Dessa maneira, o
rendimento de extrao de minrio no fundo da cava adiado para perodos posteriores e,
consequentemente, haver grandes descontos nos rendimentos financeiros da poro
mineralizada, no gerando grandes benefcios no tempo zero (Valor Presente Lquido).

Figura 4.3: Representao esquemtica do pior caso de sequenciamento de lavra.

Para o melhor caso de remoo de material minrio e estril associado aos fatores
econmicos no tempo, o mtodo (Figura 4.4, extrada e adaptada de Hustrulid e Kuchta,
1995) requer que ocorra a lavra sequencial das cavas aninhadas. Esse mtodo remove o
REM
TEMPO
69

material a uma taxa aproximada da REM global na tentativa de remover apenas a quantidade
mnima necessria de estril, considerando as condies e restries impostas
operacionalizao da lavra. O ngulo de face de bancada da operao inicia-se suave, porm
aumenta com a profundidade da cava at que seja atingido o limite de inclinao igual ao
ngulo global de talude da cava final.
Em termos econmicos, esse sequenciamento proporciona um alto VPL pois segue a
sequncia de lavra desenvolvida com o princpio de antecipao da retirada dos teores mais
altos, levando tambm ao atraso das despesas relacionadas com a remoo do material estril
(Tan e Ramani, 1992). Na prtica atual, a melhor sequncia de descobertura para um corpo
mineral de grandes dimenses aquela na qual a taxa de descobertura baixa e permanece
baixa ao longo da vida til do projeto. Para esse mtodo, o tamanho da frota e equipe ao longo
da vida til do projeto so mantidos relativamente constantes.
As principais vantagens do processo de lavra mantendo a REM global
aproximadamente constante so resumidas da seguinte maneira:

(i) boa lucratividade nos estgios iniciais do projeto para aumento do fluxo de
caixa;

(ii) a mo de obra e a frota podem ser incrementadas sua mxima capacidade
aps um perodo de tempo;

(iii) a necessidade de mo de obra e frota devem reduzir gradualmente conforme o
projeto se aproxima dos estgios de fechamento;

(iv) reas distintas de lavra e descobertura podem ser operadas simultaneamente,
permitindo flexibilidade no planejamento.

70

Figura 4.4: Representao esquemtica do melhor caso de sequenciamento de lavra.

A melhor soluo de produo de minrio e remoo de estril limitada pelas curvas
do sequenciamento de extrao, limitadas pelo pior e melhor caso envolvendo a REM. Esse
apresentado como uma funo de dois fatores (Godoy, 2003):

(i) distribuio espacial de minrio e estril dentro do limite da cava final;

(ii) um conjunto especfico de cavas aninhadas ou avano de lavra.

A definio desses dois fatores est sujeita a uma cadeia de fatores interligados, tais
como geolgicos, econmicos, tecnolgicos e ambientais. Dagdelen e Johnson (1984)
afirmaram que o problema de programao da produo pode ser visto como uma prescrio
de uma sequncia de lavra, que maximiza o VPL do projeto, desde que satisfaa quatro
limitaes principais: (a) teor de alimentao da usina (b) restries geotcnicas, (c)
capacidade de moagem e (d) capacidade de lavra.

REM
TEMPO
71

4.1.2. Otimizao de Cava a Cu Aberto - Teor de Corte e Funo-Benefcio

O processo de otimizao necessariamente envolve o processo do clculo do teor de
corte acima do qual material mineralizado lavrado e processado economicamente. O
material com teores abaixo do teor de corte definido como estril, j o material acima do
teor de corte pode ser minrio caso esteja de acordo com os condicionantes de lavra e
processo.
De acordo com Hustrulid e Kuchta (1995), Kenneth Lane (Lane 1988) descreveu
como escolher o teor de corte timo para definio de reservas minerais. Como discutido
anteriormente, o teor de corte o critrio normalmente usado para distino entre minrio e
estril dentro de um depsito mineral. A definio do teor de corte pode afetar diretamente o
lucro do negcio. Os princpios para a melhor definio do teor de corte sob diferentes
circunstncias em uma operao mineira consistem em trs etapas:

(i) processo de lavra;

(ii) processo de concentrao;

(iii) processo de refino.

A definio de valor econmico de um bloco corresponde atribuio de um valor de
retorno econmico. Dessa maneira, chamamos de funo-benefcio a funo que valoriza
economicamente os blocos com base no teor estimado desses. Cada etapa da cadeia produtiva
tem seus prprios custos associados e sua capacidade limite. A definio das mximas
capacidades, custos unitrios e quantidades envolvidas na funo-benefcio esto apresentadas
a seguir.
O custo total (
) definido como:

+ (4.1)

A receita bruta (
) definida como:

(4.2)

72

A receita final (
) definida como:

= ( )
(4.3)

A Equao (4.3) a expresso bsica da funo-benefcio, onde:
-
so os custos unitrios de mina associado movimentao do material para um

dado bloco i. Os custos unitrios de mina incluem perfurao, desmonte,
carregamento, transporte, etc.;
-
so os custos unitrios de concentrao do minrio por tonelada de material para

um dado bloco i. O custo unitrio inclui britagem, moagem, flotao, lixiviao, etc.;
- so os custos decorrentes do produto final e dos estgios de venda;
- so os custos fixos tais como aluguel, administrao, manuteno de estradas e
prdios, etc. e so independentes dos nveis de produo;
- o preo de venda do produto final, expresso em termos de preo de venda por
unidade de produto. Considera-se que todas a taxas e impostos sobre a venda esto
deduzidas em . Se no tiverem sido consideradas, devem ser abatidas de
- T a extenso do perodo de produo considerado;
-
a quantidade de material a ser lavrado em um dado bloco i;

-
a quantidade de minrio enviado para a usina de um dado bloco i;

-
a quantidade de metal (concentrado) realmente produzido atravs da lavra e

beneficiamento de um dado bloco i.
Para a mxima lucratividade da funo-benefcio, como apresentado na Equao (4.3),
necessrio calcular o teor de corte assumindo que a taxa de lavra o limitante da operao.
Se a capacidade mxima de lavra
o fator limitante considerado, ento o tempo

necessrio para lavrar o material
ser:

(4.4)

onde
a quantidade mxima u de material (minrio e estril) que pode ser produzida

num dado perodo de tempo t.
Dessa maneira, a Equao (4.3) torna-se:

= ( )
(4.5)
73

Ento, a quantidade de metal (concentrado)
realmente produzido para o bloco i

relacionada quela quantidade enviada da mina para a usina para concentrao

atravs da relao:

(4.6)

onde e
so o teor mdio enviado para a concentrao e a recuperao para a

concentrao e refino, respectivamente.
Dessa forma, o teor de corte
, baseado nas restries de lavra, o valor que faz

com que (
= 0.
Assim:

= =
(4.7)

De maneira similar, pode-se obter a derivao do teor de corte se outras operaes
forem as operaes limitantes da produo. Dessa maneira, se a etapa de concentrao for o
fator limitante da produo, temos o teor de corte
(4.8)

onde
a quantidade mxima u de minrio na qual pode ser alimentado usina em um

dado perodo de tempo t, assumindo que no h restries de disponibilidade do minrio
alimentado pela mina.
Se o refino for a operao limitante, ento teremos o teor de corte
(4.9)

onde
a quantidade mxima u de metal produzido em um dado perodo de tempo t,

assumindo que no h restries de disponibilidade de concentrado proveniente da planta de
concentrao.
De fato, se for levado em considerao um desconto financeiro no processo de
otimizao, dever haver um conhecimento e desenvolvimento do sequenciamento dos blocos
74

a serem lavrados, a fim de que haja a otimizao dos avanos de lavra. Como demonstrado
acima, o processo inicia-se atravs da definio das capacidades fsicas de produo,
processamento e de custos de produo. Aps, a cava final definida atravs do uso de um
algoritmo para definio de cava final.
Como brevemente comentado no item 2.2, os algoritmos disponveis para o processo
de otimizao so diversos e com diferentes particularidades. De acordo com Hochbaum e
Chen (2000), existem dois tipos de algoritmos usados para a determinao da cava final:

(i) mtodos heursticos, que no garantem solues timas, assim como o mtodo
dos cones flutuantes (Dowd et al., 1974; Lemieux, 1979);

(ii) algoritmos de otimizao, que so matematicamente comprovados na
determinao da soluo tima para o desenvolvimento da cava final. Esses so o algoritmo
Lerchs-Grossmann (Lerchs e Grossmann, 1965) e o algoritmo de fluxo de rede (Johnson,
1968).

Uma reviso detalhada sobre as metodologias e algoritmos utilizados no
desenvolvimento e determinao de um limite de cava final apresentada por Hustrulid e
Kuchta (1995) e por Hochbaum e Chen (2000).

4.1.3. Sequenciamento Estocstico de Lavra a Cu Aberto

A vida til de uma mina (LOM) pode ser representada atravs de um cronograma de
produo que tem como objetivo otimizar a sequncia de extrao com relao s quantidades
de minrio e estril extrado em cada perodo a fim de maximizar o seu valor presente lquido
(VPL). As tcnicas de otimizao convencionais so normalmente utilizadas para gerar
programas de produo sob parmetros pr-determinados e restries tcnicas utilizando
algoritmos de otimizao matemtica. Como os teores para um depsito mineral so
comumente estimados de maneira determinstica e, normalmente, na indstria da minerao
ocorrem significativas diferenas (Figura 2.4) com esses valores relacionados realidade
executada, improvvel que os programas de produo que desconsideram a incerteza
geolgica cumpram as metas considerando a possibilidade dos riscos inerentes.
75

Alguns conceitos sobre anlise de risco utilizando tcnicas de simulao estocstica
foram discutidas por Ravenscroft (1994) no contexto de avaliao do impacto da incerteza e
da variabilidade in situ dos teores em projetos a cu aberto atravs de cronogramas de
produo e avaliaes econmicas.
A disponibilidade de tcnicas de simulao estocstica de teores para quantificao da
incerteza geolgica levou ao desenvolvimento de tcnicas de programao para integrar a
incerteza no processo de planejamento de mina. Dimitrakopoulos e Ramazan (2004)
desenvolveram uma formulao de otimizao introduzindo um novo conceito de
programao de produo, com desconto de risco geolgico. Ramazan e Dimitrakopoulos
(2007, 2008) desenvolveram um modelo de programao estocstica inteira que usa mltiplas
realizaes simuladas para minimizar os desvios no sequenciamento da produo de minrio
no perodo de vida til da mina, apresentando os benefcios financeiros. Godoy e
Dimitrakopoulos (2003) apresentaram um mtodo que integra vrios elementos atravs do
domnio da soluo estvel, que uma caracterizao de todas as combinaes possveis de
minrio e taxas de extrao de estril. Nesse, ocorre a otimizao dos ndices de produo ao
longo da vida til da mina para uma determinada configurao de lavra e equipamentos
disponveis, sendo usado um algoritmo de simulao annealing (ver item 4.3) para a
otimizao da programao atravs de mltiplas representaes simuladas do depsito. O
algoritmo gera programaes que atendam s taxas de produo ideal e minimiza os riscos de
desvios de meta atravs da incerteza geolgica. Kumral e Dimitrakopoulos (2009)
desenvolveram uma metodologia para o sequenciamento estocstico da produo de mina
considerando taxas de produo baseados em valores mdios (com menor variabilidade).
Neste trabalho, o modelo tradicional de programao da produo das minas modificado
para obter ritmo de produo ideal e evitar a ocorrncia de problemas de capacidade ociosa.
Alm disso, o modelo de otimizao utilizado neste trabalho baseado em programao
probabilstica, a fim de considerar a natureza estocstica do sequenciamento e seleo de taxa
de produo, na presena das incertezas de teor mineral e financeira. A abordagem
probabilstica de programao capaz de gerar cronogramas para uma srie de nveis de
confiabilidade.
Diversos estudos foram realizados na ltima dcada na rea de otimizao e
sequenciamento de lavra de longo prazo, incorporando a incerteza geolgica, que comumente
utiliza algoritmos para prover uma soluo tima (Peroni, 2002). Esses mtodos so
computacionalmente intensivos e limitados pelo nmero de parmetros considerados, no
provendo solues prticas viveis. Uma alternativa para o desenho de avanos de lavra so
76

os mtodos heursticos e metaheursticos, que no garantem uma real soluo tima,
entretanto, podem ser usados para encontrar soluo de alta qualidade em tempo de aplicao
razovel. Uma aplicao metaheurstica na minerao o uso do algoritmo de simulao
annealing para o sequenciamento de produo da vida til da mina (LOM) sob incerteza dos
teores (Godoy, 2003). Dessa forma, a aplicao de diversos cenrios equiprovveis usados no
sequenciamento de lavra pode resultar na reduo dos riscos inerentes ao processo de lavra e
atendimento s metas.
Assim, esta dissertao contribui com o desenvolvimento de uma abordagem para o
sequenciamento de avano de lavra estocstico operacional relativo a um atributo qualquer
(teor, massa, metal, etc.), visando minimizar a variabilidade, os riscos e os desvios das metas
que esto relacionados aos principais indicadores de produo no processo. A abordagem
considera as simulaes geolgicas, o conceito de escala de risco (item 4.2) e o uso do
algoritmo de simulao annealing (item 4.3) para definio de um modelo de risco
minimizado que pode ser usado no sequenciamento operacional de lavra de mdio (at 1 ano)
e longo prazo (+ de 1 ano). O sequenciamento de lavra pode ser definido dentro da sequncia
de cavas (pushbacks atravs de programao linear, otimizao e cavas aninhadas) com risco
minimizado (abordagem estocstica, simulaes e processo annealing) ou simplesmente
atravs da aplicao de programao linear em um nico modelo determinstico (comumente
aplicado).
Nas sees seguintes, ser apresentada a formulao para definio de uma escala de
risco (ESR) e modificao de um atributo (classe) inicial de risco, incorporando a incerteza
local relacionada aos teores, com a otimizao atravs do uso do algoritmo de simulao
annealing. A metodologia foi aplicada na mina do Sequeirinho (cobre) da Vale S/A no estado
do Par.

4.2. FORMULAO PARA O GERENCIAMENTO E MINIMIZAO DO RISCO
(FUNO-OBJETIVO)

A nova abordagem baseada no risco para o sequenciamento da produo de mdio e
longo prazo operacional e gerenciamento da incerteza dos teores apresentada atravs da
formulao que define uma escala de risco (ESR, Equao 4.10). Essa pode ser usada de
maneira simples e com a possibilidade de considerar multielementos. A formulao define a
mdia dos valores de desvios relativos das metas de produo (teor, metal, tonelagem, etc.)
77

para s modelos simulados, referente aos blocos i, ponderados pelo coeficiente de variao
condicional para os diversos modelos simulados s. O uso do coeficiente de variao
condicional resulta numa melhor definio do risco local para o atributo escolhido,
balanceando a Equao, j que esse leva em considerao a variabilidade local e a preciso do
valor mdio usado no clculo da diferena relativa (ver item 3.1.2):

ESR = O =
(4.10)
onde:
- s {1,..., S} representa os ndices para os modelos de simulaes;
- i {1,..., I} representa os ndices para os blocos;
-
representa a meta (krigagem ordinria) de material referente ao bloco i;

-
representa o valor atual do atributo referente ao bloco i para o modelo de

simulao s;
-
o coeficiente de variao condicional para o bloco i, referente a todos os modelos

de simulao s.

Caso a mdia dos valores de desvio relativo e do coeficiente de variao condicional,
referentes s simulaes, tendam a zero, ento a preciso e a confiana, relativas ao valor
assumido para o bloco estimado na definio do plano de lavra, sero maiores. Os valores
definidos para a determinao dos intervalos (classes) de risco (ESR) sero apresentados no
Captulo 6.
Baseado na ESR, a funo-objetivo a seguir, considerando o sequenciamento de lavra
iterativo, minimiza o desvio relativo (diferena relativa) em relao ao valor mdio calculado
para o alcance das metas, referente ao atributo escolhido (teor) ponderado pelo coeficiente de
variao condicional:

Min O =
(4.11)

onde:
- d{1,..., D} representa os ndices para o destino, classe ou processo do material;
78

-
representa a meta (krigagem ordinria) de material definida para a classe d

referente ao bloco i;
-
representa o valor atual do atributo para a classe d, referente ao bloco i e o

modelo de simulao s.

Dessa forma, aps obtido o resultado do processo de otimizao (simulao annealing,
item 4.3 a seguir) da funo-objetivo (4.10), h o sequenciamento iterativo ou atravs de
programao linear (4.11). Nesse sequenciamento,
c=1,...,C) so as componentes da
funo-objetivo representando uma determinada classe ou destino d do material, relativo aos
blocos nos avanos de lavra atravs da funo-objetivo (O), que resultaro no plano
operacional de lavra
) considerando o risco da incerteza geolgica. Para cada um dos c

componentes, a funo-objetivo ir medir o desvio mdio relativo dos teores de cobre
referentes s simulaes disponveis s, sendo ponderado pelo coeficiente de variao
condicional mdio das simulaes.

(4.12)

A capacidade de visualizao do risco e a possibilidade de minimizar os efeitos
negativos desse no desempenho do sequenciamento de lavra operacional representam uma
significante contribuio na gesto dos riscos no planejamento de lavra a cu aberto.

4.3. SIMULAO ANNEALING

A simulao annealing o nome genrico para uma srie de algoritmos de otimizao
baseados no princpio de relaxamento estocstico (Geman e Geman, 1984; Farmer, 1988).
Essa foi introduzida por Kirkpatrick et al. (1983) na obteno de melhores solues para uma
srie de problemas de otimizao combinatria. A ideia bsica da simulao annealing
perturbar continuamente uma imagem inicial at atingir algumas caractersticas pr-
especificadas definidas por uma funo-objetivo. Cada perturbao aceita ou no
dependendo da maneira como houve a aproximao da imagem inicial funo-objetivo.
Embora a simulao annealing tenha sido desenvolvida como um algoritmo de
otimizao, essa tem sido usada a partir de realizaes estocsticas geradas previamente por
79

outros algoritmos de simulao mais rpidos, resultando em imagens estocsticas modificadas
que, como realizaes alternativas, definem exata ou aproximadamente a funo-objetivo.
A simulao inicia-se com a determinao de uma imagem inicial. Tipicamente, a
imagem inicial gerada atravs da migrao dos dados condicionantes para os ns de grid.
Nesse processo, os blocos com mxima probabilidade de pertencer a um dado perodo (ou
nesse caso classe de teor na sequncia inicial) so definidos nesse perodo. Os blocos
restantes so considerados candidatos no processo de troca durante o clculo, de acordo com
sua probabilidade de pertencer determinada classe. Essa determinao inicial ento
perturbada atravs de uma seleo aleatria dos blocos entre as possveis classes d que podem
ser assumidas. Todas as perturbaes favorveis (em que a funo-objetivo minimizada) so
aceitas, e todas as perturbaes no favorveis so aceitas com uma distribuio de
probabilidade exponencial (ver item 4.3.2). O processo de otimizao finalizado quando as
perturbaes no resultam em diminuio da funo-objetivo ou quando um valor mnimo
especificado da funo-objetivo alcanado. O resultado da otimizao so valores ou
sequncia de blocos indicados por uma escala de risco, que representa a mnima chance de
desvio ou menor risco associado aos valores determinsticos pr-estabelecidos. Esses so
comumente usados numa sequncia de lavra que servir de base oramentria e definio das
metas para a empresa, assim como apresentado no estudo de caso (itens 5 e 6).

4.3.1. Mecanismo de Perturbao

O mecanismo de perturbao consiste de uma troca aleatria de blocos atuais
referentes a sua classe de valor (ex.: bloco com risco moderado) para um determinado bloco
candidato troca (ex.: bloco com risco baixo). Os blocos candidatos so determinados usando
valores das simulaes referentes aos blocos vizinhos para calcular a probabilidade de o bloco
pertencer a uma classe de menor risco. As classes candidatas troca so as classes em que o
bloco, atravs do clculo de probabilidade provinda por uma imagem de treinamento (modelo
conceitual e quantitativo do processo aleatrio, Strebelle, 2001), apresenta alta probabilidade
de assumir um valor de menor risco, definido para cada uma das simulaes, minimizando a
funo-objetivo definida (ESR). Se, para todas as simulaes, o bloco pertencer mesma
classe, esse bloco mantido para aquele resultado e no ser perturbado.
A Figura a seguir (4.5) apresenta o mecanismo de leitura (seo vertical) para
definio dos blocos candidatos para serem perturbados, referentes a uma imagem ESR
80

inicial, para uma dada simulao s. O bloco no centro da seo vertical apresenta risco
moderado de acordo com a ESR, de maneira que esse est cercado por diversos blocos com
baixo risco definido pela ESR. Desse modo, esse bloco pode ser candidato troca de classe de
risco (ESR), sendo definido atravs do uso de uma imagem de treinamento que definir as
propores e probabilidades.

Figura 4.5: Representao esquemtica 2D de um bloco candidato com possibilidade de assumir outra classe de
risco menor, definidas pela imagem de treinamento.

Assim, as ESRs candidatas para um bloco so determinadas pelo risco atual dos blocos
vizinhos, de acordo com a probabilidade de os blocos vizinhos pertencerem ESR candidata.
Na Figura 4.6 a seguir, so apresentados 26 blocos conectados a qualquer bloco (representado
pelo bloco em amarelo) do modelo de recursos minerais. O bloco destacado pela cor amarela
apresenta uma classe de ESR (risco) igual aos blocos de colorao verde, e maior do que os
blocos de colorao azul. Esse bloco candidato a assumir uma classe ESR menor, visto que
faz interface com diversos blocos de menor ESR, indicando que h grande probabilidade de
ocorrncia dessa classe de menor risco. A deciso para aceitar ou no uma perturbao ser
apresentada no item a seguir (4.3.2).

81

Figura 4.6: Representao dos 26 blocos conectados a um bloco qualquer.

Para o estudo de caso que ser apresentado no item 6, no foi aplicada nenhuma
restrio de acessibilidade (ngulo de talude, rea de praa de lavra, rampas, etc.) aos blocos
candidatos, visto que o produto final da aplicao da abordagem para minimizao e
visualizao do risco associado aos blocos o sequenciamento operacional de lavra
(iterativo), que levar em considerao todas as restries inerentes ao processo de lavra.

4.3.2. Funo-Objetivo e Simulao Annealing

Como apresentado no item (4.2), a funo-objetivo uma medida da diferena entre as
caractersticas desejadas relacionadas ao bloco candidato, referente a uma determinada classe
de risco. Considerando que os blocos otimizados atinjam o objetivo de reduo do risco
(ESR) para todos os modelos de teor equiprovveis simulados, haver uma maior preciso na
determinao dos teores que iro ser sequenciados no plano de lavra.
Nvel 1
Nvel 2
Nvel 3
Nvel 1 Nvel 2 Nvel 3
Risco Baixo
Risco Moderado
Bloco candidato perturbao
Risco Moderado
82

A deciso de aceitar ou rejeitar uma perturbao baseada na mudana ( da funo-
objetivo:

O =
(4.13)

A funo-objetivo global pode ser substituda por uma atualizao da componente das
funes-objetivo envolvidas no processo de perturbao (sequenciamento annealing). Esse
aspecto dos algoritmos de simulao annealing um critrio usado para aceitar ou no uma
dada perturbao nos valores da funo-objetivo. O processo global consiste em um processo
iterativo, seguindo um caminho aleatrio em cada n do grid. Se uma classe de valor de risco
, determinada aleatoriamente for diferente de uma classe anterior
, definida por
como as energias correspondentes (funo-objetivo), ento a distribuio

de probabilidade para aceitao de uma perturbao aplicada atravs do critrio Metropolis
(Metropolis et al., 1953), dada pela distribuio Boltzmann, onde:

- se
ento substitudo
por
;
- se
ento substitudo
por
com a probabilidade p e
mantido
com a probabilidade 1-p.

onde p incorpora a diferena de energia e a "temperatura" (T) do sistema (funo montona
que decresce com a durao do processo) atravs da seguinte Equao:

p = exp
(4.14)

onde k chamado de constante de Boltzmann.
Para o estudo de caso que ser apresentado no Captulo 6, ser usado o software
Isatis atravs do algoritmo de simulao annealing. Ao invs de usar a funo de
temperatura, foi utilizado um nmero mximo de iteraes especificadas
durante o
processo:

p = exp
(4.15)

83

Todas as perturbaes favorveis (
) so aceitas, e as permutaes
no favorveis so aceitas com uma distribuio de probabilidade exponencial. Esse mtodo
tem provado convergir para o estado de mnima energia se a velocidade de resfriamento
(cooling) do processo, controlada pela constante de Boltzmann, for baixa o suficiente.
O processo geral do algoritmo annealing funciona da seguinte maneira (Deutsch,
1990; Goovaerts, 1998):

(i) criar uma realizao inicial que honre os valores dos dados nas suas posies e
que j pode aproximar alguma das caractersticas estatsticas pretendidas;

(ii) computar o valor inicial (ESR) da funo-objetivo correspondente realizao
inicial;

(iii) perturbar a realizao por algum mecanismo para que haja a troca de valores de
pares;

(iv) acessar o impacto do processo de perturbao na reproduo das estatsticas
pretendidas atravs de um novo clculo da funo-objetivo,
(0), levando em
considerao a mudana da imagem inicial;

(v) aceitar ou rejeitar a perturbao com base numa regra especfica de deciso;
por exemplo, somente as perturbaes que diminurem a funo-objetivo sero aceitas;

(vi) se a perturbao for aceita, atualizar a realizao inicial como uma nova
imagem com a funo-objetivo
;

(vii) repetir os passos (iii) a (vi) at que meta seja atingida ou que as perturbaes
no reduzam significantemente a funo-objetivo.

Outras realizaes so geradas pela repetio de todo o processo atravs de outras
imagens iniciais. A simulao annealing conceitualmente simples e oferece grande
flexibilidade para diversas restries aplicadas funo-objetivo.
A metodologia acima apresentada proporciona uma abordagem para a derivao da
escala de risco (ESR), otimizando e minimizando as chances de desvios da sequncia de
84

valores estimados relacionados base oramentria e metas de produo, acessando a
incerteza associada atravs das informaes disponveis.
A sequncia operacional de blocos que minimiza efetivamente o risco no
sequenciamento de lavra pode ser executada iterativamente ou atravs de programao linear,
levando em considerao as restries operacionais de lavra.

85

Captulo 5

5. QUANTIFICAO DA INCERTEZA DE TEORES NO DEPSITO
SEQUEIRINHO

Este captulo documenta a aplicao do mtodo de simulao por bandas rotativas
(item 3.4.4) no depsito Sequeirinho, sudeste do estado do Par, no Brasil. O depsito oferece
um cenrio ideal para o entendimento da variabilidade dos teores atravs da aplicao por
simulao estocstica, pois este apresenta dados exaustivos de produo para serem
comparados s predies. Uma srie de modelos simulados da distribuio espacial dos teores
so produzidos e utilizados para a avaliao da incerteza nos recursos disponveis in situ.
Comparaes com o modelo de recursos estimado utilizando o mtodo de estimativa
atualmente em prtica na mina (krigagem ordinria) e, tambm, a comparao com a
realidade executada (reconciliao com estimativa dos teores nos blocos atravs dos
resultados analticos de cobre dos furos de desmonte), aplicado em um plano de lavra j
executado (lavrado), ressalta a contribuio da abordagem estocstica para o mapeamento da
variabilidade dos teores e visualizao dos possveis riscos inerentes dinmica do processo
do planejamento mineiro.
O captulo comea com uma breve descrio do depsito e da operao da mina a cu
aberto Sequeirinho. Em seguida, todo o processo para definio de parmetros e execuo
detalhada do procedimento de simulao estocstica so apresentados, assim como a
avaliao da incerteza dos teores dos recursos disponveis. Por ltimo, apresentada a
metodologia para estimativa de teores a partir dos dados dos furos de desmonte e resultados
para comparao e validao da aplicabilidade da metodologia de simulao estocstica
associada aos riscos inerentes incerteza dos teores. Os modelos de simulao gerados sero
posteriormente utilizados, no captulo 6, nas aplicaes para otimizao do valor de risco
(escala de risco) e posterior minimizao dos riscos no sequenciamento operacional de
produo.

86

5.1. VISO GERAL DO COMPLEXO SOSSEGO

O Complexo de Minerao Sossego, que possui duas cavas a cu aberto (Sequeirinho
e Sossego), est localizado no norte do Brasil, sudeste do estado do Par (Figura 5.1). A cava
do Sequeirinho (Figura 5.2), cujo principal mineral de cobre no concentrado a calcopirita,
uma mina de cobre contendo ouro como subproduto. Com as operaes de lavra iniciadas em
2004, o Complexo apresenta uma usina de processamento mineral (britagem primria,
moagem, processo de flotao e filtrao), com capacidade operacional de alimentao da
usina de cerca de 13 Mtpa de minrio. O concentrado transportado por caminhes
convencionais com 40t de capacidade, do Complexo at a cidade de Parauapebas (PA), sendo
posteriormente transportado de trem at o porto de So Lus (MA).
A produo realizada atravs do uso de equipamentos de carregamento (4 ps
mecnicas com 19m de capacidade), escavadeiras eltricas a cabo (3 escavadeiras com 54m
de capacidade) e caminhes fora de estrada (23 com 240t de capacidade e 16 com 150t de
capacidade), alm de equipamentos auxiliares para operao de infraestrutura e apoio ao
processo de lavra. O processo operacional de lavra executado em bancadas com altura de 16
m, sendo do mesmo tamanho da unidade de lavra seletiva (SMU), definida por blocos com
10m x 10m x 16m.

Figura 5.1: Mapa de localizao do Complexo Mineiro Sossego.
Salobo (Cu, Au)
Ig. Bahia (Cu, Au )
Alemo (Cu, Au)
Azul (Mn)
Serra Sul (Fe)
N1 (Fe)
Aeroporto
118 (Cu, Au)
Vermelho (Ni)
Sossego (Cu)
N4 (Fe)
N5 (Fe)
Parauapebas
Ferrovia
Rio Itacaiunas
P
a
r
a
u
a
p
e
b
a
s
R
i
o
Esc 20Km
Granito
Serra Leste (Fe, Au)
Ncleo
Urbano
Cristalino (Cu)
Salobo (Cu, Au)
Ig. Bahia (Cu, Au )
Alemo (Cu, Au)
Azul (Mn)
Serra Sul (Fe)
N1 (Fe)
Aeroporto
118 (Cu, Au)
Vermelho (Ni)
Sossego (Cu)
N4 (Fe)
N5 (Fe)
Parauapebas
Ferrovia
Rio Itacaiunas
P
a
r
a
u
a
p
e
b
a
s
R
i
o
Esc 20Km Esc 20Km
Granito
Serra Leste (Fe, Au)
Ncleo
Urbano
Cristalino (Cu)
87

Figura 5.2: Vista area da cava a cu aberto Sequeirinho.

5.1.1. Geologia Regional

O Distrito Mineral de Carajs est localizado na poro sudeste do estado do Par,
Brasil, correspondendo a uma bacia tardia do perodo Arqueano deformada em uma forma
sigmoide, com tendncia (trend) de oeste/noroeste a sudeste/leste. Essa forma sigmide
definida por vrios lineamentos determinantes na direo oeste-noroeste - leste-sudeste, como
N
N
88

as zonas de falha denominadas de Carajs e Cigano. Alm disso, alguns sistemas de falhas
nordeste e noroeste atravessam a regio.
A sequncia vulcano-sedimentar Carajs composta principalmente de rochas
vulcnicas bimodais, sedimentos qumicos, incluindo as faixas de formaes ferrferas
bandadas (BIF) que hospedam os depsitos de ferro em Carajs, sedimentos piroclsticos e
clsticos. A bacia preenchida com uma sequncia de rochas metassedimentares e
metavulcnicas chamadas de Supergrupo Itacainas e tambm com granitos e xistos que
formam o Complexo Xingu ocorrendo ao sul.
As unidades de Carajs so penetradas por rochas intrusivas do perodo Arqueano.
Essas unidades tm uma forte correlao com a mineralizao de ouro e cobre em Carajs.
Rochas do perodo Proterozico (1,88 bilhes de anos), contendo granitos alcalinos na poro
central do Granito Carajs (Cigano e Pojuca), tambm penetraram a sequncia vulcano-
sedimentar de Carajs. Vrias geraes de diques mficos recentes cruzam a sequncia
inteira.
Para uma reviso mais detalhada da geologia regional, ver Wirth et al. (1986);
Machado et al. (1991); Macambira et al. (1996); Trendall et al. (1998); Galarza & Macambira
(2002a,b); Pimentel et al. (2003); Tallarico et al. (2005); Docegeo (1988); Dardenne &
Schobbenhaus (2001); Galarza & Macambira (2002a). A Figura 5.3 (extrada de Monteiro et
al., 2008) apresenta a estrutura simplificada da geologia regional de Carajs.

89

Figura 5.3: Mapa simplificado da Provncia Mineral de Carajs.

5.1.2. Geologia Local

A Mina do Sequeirinho est situado na poro sul do sigmide Carajs ao longo de
uma estrutura regional de cisalhamento marcante oeste/noroeste - sudeste/leste, mergulhando
abruptamente para o sul.
Esse cinturo apresenta uma tendncia de cerca de 10 km de mineralizao. Falhas
transversais com tendncia nordeste e noroeste atravessam as principais zonas de
cisalhamento (oeste/noroeste - sudeste/leste). As intersees dessas estruturas, aparentemente,
atuam como zonas de alimentao e excelentes armadilhas para a mineralizao de Cu-Au.
90

A mineralizao no Depsito Sequeirinho estruturalmente controlada cortando
rochas vulcnicas flsicas, granito e unidades de rocha hospedeira (gabro). Essas rochas
foram alteradas atravs de processo hidrotermal para rochas ricas em actinolita e magnetita. A
maioria das rochas na capa do corpo so rochas granticas/tonalticas com presena de diques
ou de rochas mficas remanescentes. A lapa definida por um contato brusco que separa a
zona mineralizada de biotita xisto alterado da sequncia vulcnica Carajs (localmente rochas
vulcnicas flsicas). A mineralizao est presente atravs de veios calcopirticos nas fraturas
hidrulicas de brechas hidrotermais e tambm ocorre atravs de mineralizao disseminada. A
calcopirita o principal mineral do minrio de cobre.
Para uma reviso mais detalhada da geologia local, ver Lancaster et al. (2000);
Monteiro et al. (2008). A Figura 5.4 (extrada de Monteiro et al., 2008) apresenta a estrutura
simplificada da geologia local do Depsito Sequeirinho.

Figura 5.4: Perfil esquemtico do corpo Sequeirinho mostrando as distribuies das zonas de alterao
hidrotermal.

5.1.3. Modelo de Recursos Minerais - Sequeirinho

91

O modelo geolgico, referente interpretao da mineralizao de cobre,
desenvolvido em sees verticais e horizontais utilizando as anlises qumicas originais
(assays) verificadas a cada metro de descrio, assim como o modelo litolgico definido
atravs de dados da descrio geolgica dos furos. A envoltria mineralizada definida para
teores a partir de 0,2% Cu (0,2-1,0% Cu, baixo teor; >1,0% Cu, alto teor). Um corpo de
minrio (wireframe) modelado e usado para atribuir cdigos de minrio nos blocos de lavra
(Figura 5.5). O slido cortado na parte superior e inferior de cada banco de lavra (8m). As
intersees so reinterpretadas em planos a cada 8m de distncia.

Figura 5.5: Perfil simplificado do corpo de minrio do Sequeirinho (setores Pista, Sequeirinho e Baiano).

As medidas do valor de densidade foram feitas respeitando os contatos geolgicos,
incluindo tanto o material mineralizado quanto rocha estril. Foram realizadas 64.589
determinaes de valores de densidade, incluindo minrio e estril. As determinaes de
densidade para os tipos de rocha diferentes de acordo com o modelo geolgico e os pontos de
amostragem de densidade so apresentados na Figura 5.6.

S
200m
92

Figura 5.6: Mapa de localizao e valores das amostras de densidade (g/cm).

Devido ao processo de lavra, o modelo de recursos minerais atualizado anualmente,
levando em considerao mudanas pertinentes mineralizao e posterior interpretao
geolgica atravs dos dados (teores) de perfuratriz dos furos de desmonte. O modelo de
blocos do Complexo Sossego compilado a partir de diversos submodelos, cada um com uma
caracterstica especfica geolgica, estrutural ou geogrfica. A determinao da envoltria de
minrio de longo prazo realizada travs da interpretao dos furos de sondagem e tambm
dos furos de desmonte de produo (atualizao dos contatos da mineralizao), sendo que os
teores de cobre so estimados usando somente as informaes de sondagem. A determinao
da envoltria e a estimativa dos teores de cobre no curto prazo so feitas apenas com o uso
dos furos de desmonte, sendo que esta ltima realizada no mesmo suporte do modelo de
longo prazo (blocos de 10x10x16m). A seguir (Figuras 5.7 e 5.8) a visualizao do modelo
de teores (teores de cobre) em seo vertical e em seo planar:

Cava Sequeirinho
Cava Sossego
Cava Pista
93

Figura 5.7: Modelo de recursos Sequeirinho em seo vertical, furos e blocos com teores de cobre.

Figura 5.8: Modelo de recursos Sequeirinho em seo planar, furos de sondagem (malha 40x40 a 70x70) e
blocos com teores de cobre.

5.1.4. Modelo de Recursos - Curto Prazo

Baixo Teor
Alto Teor
Baixo Teor
Alto Teor
94

O modelo de curto prazo obtido atravs da estimativa dos valores de cobre,
provenientes do resultado da anlise qumica do p das perfuratrizes dos furos de desmonte
(blast holes), dentro da zona de contato do minrio. Nas regies de estril, so obtidos valores
analticos de cobre em uma malha regular mais ampla.
Na Figura 5.9, apresentada a envoltria de minrio de longo prazo atualizado com as
informaes de teores de cobre dos furos de desmonte:

Figura 5.9: Atualizao da envoltria de minrio de longo e curto prazo, em seo planar, atravs da
interpretao dos furos de desmonte com teores de cobre.

O minrio no modelo de blocos de curto prazo estimado pelo mtodo krigagem
ordinria (interpolao linear), levando-se em considerao os valores de teor de cobre
analisados nos furos de desmonte e o seu respectivo modelo de continuidade espacial
(variogramas associado a estruturas e tipos de mineralizao), no mesmo suporte de bloco do
modelo de longo prazo (10m x 10m x 16m), para fins de comparao (reconciliao).
A seguir, na Figura 5.10, est apresentado o modelo de blocos de curto prazo
atualizado e estimado com teores de cobre proveniente dos resultados analticos dos furos de
desmonte. O modelo de blocos de curto prazo do Depsito Sequeirinho estimado (krigagem
ordinria) atravs das informaes dos valores de cobre (cores frias, baixo teor; cores quentes,
Baixo Teor
Alto Teor
Estril
95

alto teor) analisados nos furos de desmonte. Esse modelo ser referncia para comparao
com o modelo de longo prazo e a produo executada:

Figura 5.10: Modelo de blocos de curto prazo do Depsito Sequeirinho, em perspectiva.

5.2. SIMULAO CONDICIONAL NO MODELO DE RECURSOS DO DEPSITO
SEQUEIRINHO

5.2.1. Introduo

O mtodo de simulao sequencial por bandas rotativas, apresentado no item (3.4.4),
foi utilizado para gerar uma srie de realizaes estocsticas de teores de cobre nos blocos do
Depsito Sequeirinho. A implementao inicial foi estendida para permitir uma avaliao das
incertezas associadas classificao dos recursos no depsito e tambm a quantificao da
incerteza dos teores na Cava Sequeirinho. Os intervalos de confiana referentes aos valores
simulados permitem comparar a realidade executada (estimativa do modelo de curto prazo) ao
modelo estimado de longo prazo, realando a necessidade para um melhor mapeamento dos
possveis riscos inerentes incerteza dos teores. Quanto ao procedimento de simulao
S
96

condicional, diversas realizaes (30 modelos) dos teores de cobre foram simuladas nos
blocos, acompanhadas de estudo de validao dos momentos estatsticos de primeira
(estatstica univariada) e segunda ordem (continuidade espacial). Finalmente, todos os
resultados das simulaes nos mltiplos domnios, foram combinados para fornecer 30
realizaes do modelo de blocos com os teores de cobre do Depsito Sequeirinho.
As sees seguintes apresentam a anlise de dados, os detalhes sobre o processo de
simulao, as validaes e a reconciliao dos modelos simulados com a realidade executada.

5.2.2. Anlise dos Dados

A estimativa realizada para o minrio de sulfeto de cobre no Depsito Sequeirinho o
resultado de uma srie de anlises numricas e geolgicas. A tomada de deciso no processo
de interpretao e a estimativa do recurso mineral foram feitas atravs do conhecimento do
comportamento espacial dos teores de cobre (Figura 5.11; cores frias, baixo teor; cores
quentes, alto teor.), associados s premissas geolgicas e do controle estrutural dos corpos.

Figura 5.11: Localizao das amostras (2m) do Complexo Sossego em seo planar (XY).

5.2.2.1. Domnio Estatstico e Estatstica Univariada

Os domnios geolgicos (e estatsticos) que formam o Depsito Sequeirinho (setores
Pista, Sequeirinho e Baiano) so determinados com base na orientao estrutural,
comportamento das envoltrias de teores, estado de alterao e litologias associadas. A seguir,
97

ser apresentado o referencial estatstico para o principal setor (setor Sequeirinho) referente
poro da Cava Sequeirinho, que envolve grande parte dos recursos e reservas minerais do
Complexo Sossego.
O intervalo de amostras no corpo mineralizado geralmente um metro (intervalo
amostral original), variando de acordo com os contatos geolgicos. A partir dessas amostras,
foram criadas amostras regulares de 2 m de comprimento para anlise estatstica e
interpolao dos teores. Esse intervalo amostral foi escolhido para proporcionar maior
quantidade de detalhes da variabilidade dos teores nas zonas mineralizadas e proporcionar
maior flexibilidade no controle de diluio e nmero de amostras usadas no processo de
interpolao.
Na Figura (5.12), apresentado o grfico de probabilidade do domnio estatstico do
Depsito Sequeirinho em escala logartmica, referente s amostras com valores de cobre (%).

Figura 5.12: Grfico de probabilidade cumulativa em escala logartmica, Depsito Sequeirinho.

A avaliao das amostras restritas envoltria mineralizada considerando os valores
de Cu(%) ficou adequada, sem evidncias de mistura de populaes.
Uma boa prtica no processo de estimativa restringir a influncia dos valores
anmalos (altos teores) que se desviam dos teores da distribuio cumulativa de cada domnio
geolgico. No processo de estimativa dos recursos minerais e de simulao, o volume de
influncia dos valores extremos foi restringido, considerando a possvel influncia espacial na
estimativa dos blocos e as caractersticas do corpo de minrio. No foi aplicado capping nos
teores das amostras originais (assays) e nem nas amostras compostas, apenas uma restrio
98

dos valores extremos quanto distncia mxima a ser utilizada por essa amostra na estimativa
dos blocos.
O histograma das amostras usadas para a simulao condicional apresentado na
Figura 5.13 a seguir.

Figura 5.13: Histograma dos valores de Cu(%) desagrupados (por clulas mveis), Depsito Sequeirinho.

5.2.2.2. Normalizao dos Dados

A primeira condio necessria para que uma funo aleatria (RF) seja multivariada
normal que a sua funo de distribuio condicional (cdf) univariada seja normal. Um
verificao adicional da binormalidade dos dados considerada suficiente para a
aplicabilidade desse mtodo de simulao estocstica.
A normalizao dos dados foi procedida atravs da aplicao da funo matemtica
chamada anamorfose gaussiana () (Isatis), que transforma uma varivel Y com
distribuio no gaussiana em uma nova varivel Z com uma distribuio . Essa
funo pode ser expressa como uma expanso polinomial (Geovariances, 2007):

(5.1)
onde os
so os polinmios de Hermite e
os coeficientes desses polinmios.

5.2.2.2.1. Varivel Original para Varivel Gaussiana

99

Nesta seo, apresentada a metodologia de inverso de frequncias para transformar
a varivel original para o espao gaussiano, sendo necessrio inverter a funo:

(5.2)

onde
representa a inverso da funo Z.

O mtodo de inverso das frequncias sorteia os dados aleatoriamente, sendo ento
criada uma frequncia cumulativa para cada amostra
a partir do menor valor, adicionando

a frequncia de cada amostra:

(5.3)

onde a frequncia
obtida atravs das variveis pesos (pesos de declusterizao) ou

atravs do clculo
= 1/N, sendo N o nmero de amostras. Aps esse processo, calculado

o valor gaussiano
(5.4)

A seguir, as Figuras 5.14a e 5.14b ilustram a aderncia da distribuio cumulativa e do
histograma dos valores originais (preto) e gaussianos transformados (azul), sendo esse
associado funo de expanso dos polinmios de Hermite.

100

Figura 5.14: (a) Distribuio cumulativa dos dados originais (preto) e valores gaussianos transformados (azul
claro); (b) histograma dos valores originais de cobre (preto) e resultantes do processo de transformao atravs
do mtodo de inverso de frequncias (azul).

Aps a realizao das simulaes no espao gaussiano, os valores so
retrotransformados para o espao original atravs da funo de anamorfose gaussiana (eq.
5.1).

5.2.2.3. Verificao da Multinormalidade (Binormalidade)

A simples normalizao da distribuio amostral no garante que o modelo de funo
aleatria seja multinormal. Esse procedimento garante apenas a normalidade univariada da
distribuio condicional local de probabilidade (dclp), sendo necessria ento a verificao de
normalidade nos demais estados da dclp. Ento, sendo constatada a binormalidade atravs de
procedimentos de verificao, fica assumida como vlida a utilizao do modelo multivariado
Gaussiano G(u;y|(n)). Existem vrios testes capazes de verificar a binormalidade da
distribuio condicional local de probabilidade, sendo que neste trabalho ser usada a relao
(Equao 5.5) madograma (Euclidiano)
e o variograma
. A Equao (5.5)
apresenta essa relao cujo resultado deve se aproximar constante 0,564 e deve ser
verificada para diversas distncias h (lags), nas localizaes u definidas, onde:

= 0,564 (5.5)

onde
.
(a) (b)
101

A seguir, na Figura 5.15, apresentado a relao variograma/madograma para
diversos lags, que devem apresentar resultados aproximados a 1/1.773 =~ 0.564, sendo que na
prtica a constatao da binormalidade valida a utilizao do modelo multivariado Gaussiano.

Figura 5.15: Relao variograma e madograma para a varivel cobre em diversos lags.

5.2.2.4. Anlise de Continuidade Espacial

Nas Figuras 5.16 e 5.17, so apresentados os respectivos modelos de continuidade
espacial referentes aos dados normalizados. Foi calculado o variograma ao longo do furo para
determinao do efeito pepita e os variogramas direcionais (Equao 5.6) nas principais
direes de anisotropia.

Figura 5.16: Variograma ao longo do furo em amostras espaadas em 2m.
102

|
.
|
\
|
+ |
.
|
\
|
+ =
30 / 160
120
,
0 / 250
140
,
60 / 160
230
34 , 0
30 / 160
20
,
0 / 250
20
,
60 / 160
30
36 , 0 3 , 0 ) (
N
m
N
m
N
m
Sph
N
m
N
m
N
m
Sph h

(5.6)

Figura 5.17: Variogramas direcionais nas principais direes anisotrpicas.

No Complexo Sossego, foram modelados 14 semivariogramas, sendo um para cada
domnio geoestatstico. Esses so utilizados para a estimativa da varivel cobre na avaliao
de recursos minerais e simulaes estocsticas. Neste estudo de simulao foi utilizado
somente um semi-variograma representativo da mineralizao do Depsito Sequeirinho.

5.2.3. Simulao Condicional dos Teores de Cobre no Depsito Sequeirinho

O processo de simulao do modelo de recursos do Depsito Sequeirinho foi realizado
com uma discretizao dos blocos de 2.5m x 2.5m x 4m (64 pontos por bloco). Um total de
16.752.000 valores de cobre (ns) precisam ser simulados. A gerao de 30 realizaes
necessria para o estudo de simulao resultou em 502.560.000 valores de teor de cobre.
Um total de 30 realizaes foram geradas utilizando o mtodo de bandas rotativas em
hardware com um sistema distribudo de quatro processadores com 1GHz cada. O tempo de
103

processamento foi de aproximadamente 52 h, incluindo validaes. Esse tempo aceitvel
para permitir a sua aplicao prtica e sistemtica no Complexo Sossego.

Tabela 5.1: Parmetros vizinhana de busca, simulaes varivel Cu(%), Depsito Sequeirinho.

Descrio do Parmetro Valor
N Aleatrio seed 424.145
N de Simulaes 30
N mnimo de amostras 3
N de setores angulares 8
N timo de amostras por setor 2
N mximo de blocos prvios simulados 4
Selecionar as amostras contidas no bloco Sim
Usar distncia anisotrpica de acordo com o elipside de busca Sim
Distncia mnima entre duas amostras selecionadas 2m

A seguir, apresentado na Figura 5.18 (azul representa os blocos com teores de 0.2 a
1.0% Cu e vermelho representa os valores maiores que 1.0% Cu), a visualizao de algumas
realizaes para o Depsito Sequeirinho.

Figura 5.18: Imagens estocsticas da varivel Cu (%) no Depsito Sequeirinho.

5.2.4. Validao das Simulaes Condicionais

A validao consistiu em verificar se as realizaes simuladas reproduziram as
distribuies condicionadas pelos dados e modelos de variogramas.
Na validao estatstica de primeira ordem (Figuras 5.19(a);(b);(c);(d)), verificam-se
as variaes ergdigas com relao aos valores das mdias em torno da mdia dos dados.
200m
Simulao 3 Simulao 14 Simulao 20
104

Tambm, verificada a amplitude das realizaes, mantendo os respectivos valores mximo e
mnimo das amostras condicionantes.
As validaes referentes continuidade espacial dos teores (Figura 5.20) ficaram
muito bem definidas e representativas do modelo matemtico inserido, sendo possvel
evidenciar as flutuaes ergdigas referentes s simulaes (linha preta) e os modelos
experimentais e direcionais (linhas vermelha, verde e roxa).
De maneira geral, as Figuras mostram que a simulao reproduziu os modelos,
convergindo para as estatsticas univariada e bivariada dos dados, no havendo vis
sistemtico.

Figura 5.19: (a) Estatstica univariada dos dados desagrupados; (b), (c) e (d) Estatstica univariada de realizaes
aleatrias da varivel Cu (%).
(a) (b)
(c) (d)
105

Figura 5.20: Validao da continuidade espacial para o modelo matemtico imputado (vermelho, verde e roxo)
na principais direes anisotrpicas definidas.

Nas Figuras 5.21 e 5.22, so apresentadas a frequncia das mdias de cada uma das
simulaes e as mdias das simulaes condicionais comparadas ao modelo de recursos
minerais do Depsito Sequeirinho estimado por krigagem ordinria.
Na Figura 5.21, possvel observar a acuracidade e a preciso relativas aos resultados
dos valores simulados mdia dos dados originais desagrupados, indicando as flutuaes
ergdigas em torno da mdia e boa representatividade dos valores simulados.

Simulaes
106

Figura 5.21: Frequncia das mdias dos modelos de cobre simulados, mdia dos dados condicionantes
desagrupados e mdia de todas as simulaes (E-Type).

A Figura 5.22 apresenta as flutuaes dos valores das mdias de cada simulao
comparados ao valor de determinao dos recursos minerais do Depsito Sequeirinho,
estimado por krigagem ordinria.

Figura 5.22: Mdia das simulaes de Cu (%) e krigagem ordinria.

5.3. INCERTEZA DOS TEORES E RECURSOS MINERAIS

A disponibilidade de modelos mltiplos da distribuio de teores de cobre no Depsito
Sequeirinho permite a avaliao direta da incerteza nos recursos minerais e uma comparao
krigagem ordinria
Simulaes
107

com a avaliao dos recursos obtidos atravs do processo de estimativa tradicional. O
processo pode ser visto como uma funo de transferncia referente s tonelagens e teor dos
blocos acima de uma srie de valores de corte ou atravs de intervalos de confiana. No
captulo 6, a incerteza dos recursos minerais in situ ser usada para avaliar sua influncia nas
reservas minerias e em outros importantes fatores afetados pela incerteza dos teores.
As sees seguintes apresentam a avaliao de recursos minerais realizada diretamente
no modelo de bloco do Depsito Sequeirinho produzido por simulao condicional e pelo
procedimento tradicional de estimativa.

5.3.1. Recursos Minerais - Sequeirinho

A avaliao da incerteza dos recursos minerais atravs do modelo de blocos do
Depsito Sequeirinho aplicando 0,3% Cu de teor de corte est resumida na Tabela 5.2 (por
motivos de confidencialidade, apenas uma poro local do recurso do depsito apresentado).
Em termos de incerteza na tonelagem dos recursos minerais, referentes aos recursos medidos
e indicados simulados, as realizaes mostram um intervalo relativamente baixo de variao
em torno do valor esperado (E-type) de 277,7 Mt, variando em torno de -1,02% e 1,73%. Para
as categorias de recursos analisadas individualmente, as simulaes mostram um diminuio
de variao dos valores em torno do recurso esperado medido (217,1Mt), com intervalos de [-
0,42%; 1,47%], e aumento relativo variao dos valores de recurso indicado (60,6Mt), com
intervalos de [-3,24%; 2,64%].
A tonelagem total combinada (Tabela 5.2), obtida pelo procedimento tradicional de
estimativa (krigagem ordinria), de 270,7Mt a 0,96% Cu (cutoff 0,30% Cu). O recurso
mineral total esperado in situ, atravs da aplicao de simulao condicional, de 277,7Mt a
0,97% Cu, podendo apresentar valores entre 274,9Mt e 282,5Mt, com faixas de teores de
cobre que variam de 0,95% a 1,00%. Considerando a reserva de minrio, i.e., teores acima de
0.3% de Cu, os resultados da simulao mostram uma superestimativa em torno de 7,0Mt ou
2,60% comparados aos valores mostrados no modelo estimado por krigagem ordinria. Isso
evidencia um baixo risco associado definio e classificao dos recursos minerais no
Depsito Sequeirinho.
As Figuras 5.23(a),(b) e 5.24 (a),(b) mostram as curvas de teor e tonelagem para os
recursos medido e indicado do Depsito Sequeirinho, respectivamente. As curvas de teor e
tonelagem para o recurso medido e indicado, relativas s sete simulaes que representam os
108

principais percentis da distribuio condicional (mn., mx., P5, P25, P50, P75, P95) de todas
as simulaes, apresentam uma nuvem de linhas contnuas muito prximas uma das outras,
indicando baixo nvel de incerteza dos recursos minerais globais em todos os teores de corte.
A curva de tonelagem do modelo de recursos medido (Figura 5.23a), estimado atravs da
krigagem ordinria, representado por uma linha slida preta, apresenta leve subestimativa da
tonelagem para os teores de corte abaixo de 1,00% Cu e uma superestimativa da tonelagem
para os teores de corte acima de 1,00% Cu, quando comparado com os modelos simulados.
Para o recurso indicado, h uma subestimativa da tonelagem para o modelo estimado atravs
da krigagem ordinria, entre os teores de corte de 0,40 e 1,20% Cu. Em termos de teor, o
recurso medido, estimado por krigagem ordinria (Figura 5.24a), apresenta superestimativa
entre os teores de corte de 0,40 e 1,20% Cu e subestimativa entre os teores de corte de 1,20 e
3,70% Cu, com baixa magnitude de variao do valor global relativo ao modelo esperado
(2%). O recurso indicado, estimado por krigagem ordinria (Figura 5.24b), apresenta
subestimativa entre os teores de corte de 0,01 e 0,40% Cu e acima do teor de corte de 1,20%
Cu, com moderada magnitude de variao do valor simulado global relativo ao modelo
esperado (-14%).
As curvas de teor e tonelagem, citadas acima, tambm demonstram o efeito de
suavizao ocorrida nos mtodos de estimativa tradicionais, tais como a krigagem. Essa
suavizao pode resultar em superestimativa e/ou subestimativa local da massa de recursos
minerais, bem como superestimativa e/ou subestimativa dos teores (item 2.1). Nesse estudo,
esses erros podem ter consequncias graves, desde vis nos teores de corte planejados para
operao de lavra, como desvios econmicos significativos inerente a esses erros. Os erros
(desvio entre o previsto e o real) ocorrem em estimativas usadas na avaliao de um depsito
mineral, sendo a magnitude dos erros diretamente proporcional variabilidade dos teores no
depsito. Devido confidencialidade das informaes, so apresentados somente dados
proporcionais aos reais e em poro restrita do depsito.

Tabela 5.2: Medida da incerteza dos recursos minerais medido e indicado (teor de corte de 0,3% Cu).
Classificao
de Recursos
Estimado (OK) Mnimo Mximo
Esperado
(E-Type)
Ton
(Mt)
Teor
Cu%)
Ton
(Mt)
Teor
(Cu%)
Ton
(Mt)
Teor
(Cu%)
Ton
(Mt)
Teor
(Cu%)
Medido 209,00 1,01 216,20 0,98 220,30 1,02 217,10 0,99
Indicado 61,70 0,77 58,70 0,86 62,20 0,91 60,6 0,88
Med + Ind 270,70 0,96 274,90 0,95 282,50 1,00 277,70 0,97
109

Figura 5.23: Comparativo (incerteza) das curvas de tonelagem dos recursos minerais medido (a) e indicado (b).

Figura 5.24: Comparativo (incerteza) das curvas de teor dos recursos minerais medido (a) e indicado (b).

5.3.2. Incerteza dos Teores e Classificao

Atravs do procedimento de simulao estocstica e ps-processamento dos resultados
das realizaes obtidas, foi possvel utilizar algumas medidas de incerteza local dos teores
(CCV e Intervalos de Confiana) para validar os fatores aplicados classificao de recursos
minerais que foi definida com base em parmetros geomtricos. O interessante no fixar
qualquer valor para as anlises em questo na classificao de recursos, e sim ter uma
ferramenta para comparar (e validar) os diferentes resultados obtidos atravs de diversas
metodologias aplicadas (Souza, 2007).
Os procedimentos de classificao de recursos mais utilizados baseiam-se em
parmetros e configuraes geomtricas dos dados. A determinao da incerteza a partir de
(a) (b)
(a) (b)
krigagem ordinria
simulaes
krigagem ordinria
simulaes
krigagem ordinria
simulaes
krigagem ordinria
simulaes
110

modelos simulados tem como vantagem a utilizao da estrutura de variabilidade espacial dos
teores para categorizao da confiabilidade local dos recursos.
Na Figura 5.25 e na Tabela 5.3 apresentada uma abordagem para categorizao e
verificao da representatividade dos recursos minerais medidos e indicados no Complexo
Sossego, atravs da aplicao de diversas categorias de valores de coeficiente de variao
condicional (item 3.1.2), provenientes das simulaes condicionais. selecionada uma srie
de valores para definio de recurso medido e indicado e comparado s propores de
recursos classificados entre cada intervalo de valores escolhidos, ou seja, a massa do depsito
onde o CCV dos teores excedem um dado limite. Por exemplo, 86% da massa dos recursos
est com valor de CCV acima de 0.5 ou 14% tem o CCV menor que 0.5. Isso resultar numa
anlise de sensibilidade comparativa da classificao dos recursos minerais por configurao
geomtrica (vizinhana de krigagem) e por variabilidade espacial dos teores (CCV). A
abordagem visa comparar os diversos valores de tonelagem, teor e metal dos recursos
minerais, definidos para valores mdios de coeficiente de variao condicional, com os
indicados no modelo de recursos classificado por parmetros geomtricos.

Figura 5.25: Teste de classificao dos recursos minerais atravs do coeficiente de variao condicional (CCV).
111

A seguir apresentada a Tabela 5.3 com os valores de classificao dos recursos
minerais medidos e indicados, comparando a abordagem descrita acima (Figura 5.25) e a
metodologia de classificao tradicional atravs da aplicao de parmetros geomtricos,
definidos pela vizinhana do processo de estimativa por krigagem ordinria (KO). O uso
auxiliar da classificao de recursos com base na variabilidade espacial dos teores visa
auxiliar na definio dos parmetros geomtricos e interpretativos da pessoa responsvel pela
classificao dos recursos. No Depsito Sequeirinho, o espaamento mdio da malha de
sondagem na poro de minrio classificado como recurso medido, atravs da metodologia
tradicional, varia aproximadamente entre 30 e 40m, ou seja, uma malha amostral
extremamente densa e representativa localmente. Mesmo assim, de acordo com os resultados
apresentados na Tabela 5.3(a) a seguir, possvel verificar uma certa superestimativa da
classificao do recurso medido no depsito usando a classificao tradicional se comparada
classificao atravs da variabilidade espacial dos teores. Isso indica que, apesar de haver uma
amostragem extremamente adensada do depsito, atravs do uso de medidas de incerteza,
possvel evidenciar um moderado a alto grau de variabilidade dos teores, que de fato existe
(ver item 5.3.3).
pertinente lembrar que a escolha e a definio dos valores de CCV e parmetros
geomtricos, para possvel categorizao dos recursos minerais, subjetiva e est
intrinsecamente ligada ao entendimento da(s) pessoa(s) qualificada(s) com relao
variabilidade dos teores e confiana na contuidade geolgica e de teores, podendo variar de
acordo com o tipo de mineralizao e depsito. Devido confidencialidade das informaes,
so apresentados somente dados proporcionais aos reais e em poro restrita do depsito.
A Tabela 5.3a se refere classificao dos recursos minerais medido e indicado final
(diludos por porcentagem de minrio e estril nos blocos) para os valores mdios de CCV e
metodologia tradicional por classificao geomtrica) para o Complexo Sossego (cutoff 0,01).
A coluna indicada pela definio Class ID representa a identificao de 30 possveis
combinaes de recurso medido e indicado atravs dos valores de CCV. A Tabela 5.3b se
refere classificao dos recursos minerais medido + indicado final (diludos por
porcentagem de minrio e estril nos blocos) para os valores mdios de CCV e metodologia
tradicional (OK) para o Complexo Sossego (cutoff 0,01).

112

Tabela 5.3a,b: Classificao dos Recursos Minerais - CCV - Medido/Indicado - Cutoff 0,01.
Classificao dos Recursos Minerais - CCV - Medido e Indicado - Cutoff 0,01 - Complexo Sossego
Class
ID
Classificao
CCV -
Medido
Classificao
CCV -
Indicado
Tonelagem -
Recurso
Medido
(Mt)
Teor -
Recurso
Medido
(Cu%)
Tonelagem -
Recurso
Indicado
(Mt)
Teor -
Recurso
Indicado
(Cu%)
1
0,45
0,55
104,54 0,72
232,30 0,60
2 0,60 386,81 0,57
3 0,65 543,16 0,54
4 0,70 685,35 0,53
5 0,75 805,11 0,51
6 0,80 900,66 0,50
7
0,50
0,55
203,24 0,67
133,63 0,57
8 0,60 288,14 0,55
9 0,65 444,37 0,53
10 0,70 586,66 0,51
11 0,75 706,35 0,50
12 0,80 802,14 0,49
13
0,55
0,55
336,82 0,63
- -
14 0,60 154,53 0,53
15 0,65 310,83 0,51
16 0,70 453,08 0,49
17 0,75 572,75 0,48
18 0,80 668,52 0,47
19
0,60
0,55
491,41 0,60
- -
20 0,60 - -
21 0,65 156,29 0,49
22 0,70 298,52 0,47
23 0,75 418,20 0,46
24 0,80 513,94 0,46
25
0,65
0,55
647,69 0,57
- -
26 0,60 - -
27 0,65 - -
28 0,70 142,22 0,46
29 0,75 262,01 0,45
30 0,80 357,65 0,44
Classificao Tradicional - Parmetros Geomtricos (vizinhana de krigagem)
Parmetros Geomtricos
Tonelagem -
Recurso
Medido
(Mt)
Teor -
Recurso
Medido
(Cu%)
Tonelagem -
Recurso
Indicado
(Mt)
Teor -
Recurso
Indicado
(Cu%)
Cutoff - 0,01 476,87 0,65 378,42 0,40
113

Classificao dos Recursos Minerais - CCV - Medido + Indicado - Cutoff 0,01 - Complexo Sossego
Class
ID
Classificao
CCV -
Medido
Classificao
CCV -
Indicado
Tonelagem -
Medido + Indicado
(Mt)
Teor - Medido +
Indicado (Cu%)
Med + Ind
Metal (Mt)
1
0,45
0,55 336,84 0,63 2,13
2 0,60 491,35 0,60 2,94
3 0,65 647,70 0,57 3,70
4 0,70 789,89 0,55 4,35
5 0,75 909,65 0,54 4,88
6 0,80 1005,20 0,52 5,27
7
0,50
0,55 336,87 0,63 2,13
8 0,60 491,38 0,60 2,94
9 0,65 647,61 0,57 3,71
10 0,70 789,89 0,55 4,35
11 0,75 909,58 0,54 4,88
12 0,80 1005,38 0,52 5,27
13
0,55
0,55 - - -
14 0,60 491,35 0,60 2,94
15 0,65 647,65 0,57 3,70
16 0,70 789,89 0,55 4,35
17 0,75 909,57 0,54 4,88
18 0,80 1005,33 0,52 5,28
19
0,60
0,55 - - -
20 0,60 - - -
21 0,65 647,69 0,57 3,70
22 0,70 789,92 0,55 4,35
23 0,75 909,61 0,54 4,87
24 0,80 1005,35 0,52 5,28
25
0,65
0,55 - - -
26 0,60 - - -
27 0,65 - - -
28 0,70 789,91 0,55 4,35
29 0,75 909,70 0,54 4,87
30 0,80 1005,34 0,52 5,28
Classificao Tradicional - Parmetros Geomtricos (vizinhana de krigagem)
Parmetros Geomtricos
Tonelagem -
Medido + Indicado
(Mt)
Teor - Medido +
Indicado (Cu%)
Med + Ind
Metal (Mt)
Cutoff - 0,01 855,29 0,54 4,64

114

A Figura 5.26 compara massa de metal classificados atravs do processo de
classificao tradicional e pela anlise de sensibilidade de diversos valores de CCV,
escolhidos para o recurso medido + indicado (Tabela 5.3b). De forma geral, a determinao
da massa, teor e metal, categorizados pela metodologia tradicional, so validadas atravs do
entendimento geolgico do depsito e pela definio de valores CCV.

Figura 5.26: Teste de classificao do metal contido nos recursos minerais atravs da metodologia tradicional
(classificao geomtrica) e do coeficiente de variao condicional (CCV).

Nas Figuras 5.27a;b, apresenta-se a visualizao da classificao dos recursos minerais
atravs da metodologia tradicional (classificao geomtrica) e atravs da variabilidade
espacial dos teores (CCV, Class ID 17, Tabela 5.3a), respectivamente.

2,00
3,00
4,00
5,00
6,00
0
,
5
5
0
,
6
0
0
,
6
5
0
,
7
0
0
,
7
5
0
,
8
0
0
,
5
5
0
,
6
0
0
,
6
5
0
,
7
0
0
,
7
5
0
,
8
0
0
,
5
5
0
,
6
0
0
,
6
5
0
,
7
0
0
,
7
5
0
,
8
0
0
,
5
5
0
,
6
0
0
,
6
5
0
,
7
0
0
,
7
5
0
,
8
0
0
,
5
5
0
,
6
0
0
,
6
5
0
,
7
0
0
,
7
5
0
,
8
0
0,45 0,50 0,55 0,60 0,65
M
e
t
a
l

(
M
t
)
Coeficiente de Variao Condicional (CCV)
Tonelagem de Metal - Recursos Minerais (Medido+Indicado)
Classificao CCV x Classificao Geomtrica
Metal (Mt) Classificao CCV
Metal (Mt) Classificao Geomtrica
115

Figura 5.27: Classificao dos recursos minerais, plano 152m: (a) metodologia tradicional (classificao
geomtrica); (b) coeficiente de variao condicional.

5.3.3. Incerteza dos Teores e Reconciliao

De acordo com o item 2.4, a reconciliao um procedimento comum realizado na
maioria das minas. O resultado uma comparao entre o previsto e o realizado considerando
o desvio usado para definir um conjunto de fatores que so aplicados para estimativas futuras
(Morley, 2003). A validade prtica de uma avaliao de recursos minerais e de reservas
consiste em uma comparao das estimativas com os dados reais obtidos durante a produo.
No entanto, devem estar na rotina das empresas e permanecer na forma documental explcita
demonstrando os procedimentos para fins de auditoria. Da mesma forma, os relatrios de
empresas que postam seus ativos em bolsas de valores tem que publicar os documentos que
demonstrem tanto os mtodos empregados na estimativa quanto a produo executada frente
ao planejado. No contexto do setor de minerao, em geral, a reconciliao equivale
comparao entre uma estimativa (um modelo de recursos minerais, um mineral, um modelo
de minrio ou informaes de controle de qualidade) com a realidade executada (Glacken e
(a)
(b)
Indicado
Medido
Inferido
CCV 0.55
0.55 < CCV 0.75
CCV > 0.75
116

Morley, 2003; Schofield, 2001), medindo o desempenho da operao relacionado s
predies, garantindo a valorizao dos bens minerais, confirmando a eficincia das
categorias da estimativa (e a tonelagem respectiva) fornecendo indicadores chaves de
desempenho operacional.
No processo mineiro do Complexo Sossego, o procedimento de reconciliao
efetuado usando trs principais fatores para medio dos indicadores de desempenho, o que
significa que necessrio a apropriao dos resultados e a comparao das informaes do
modelo de longo prazo (LTM, estimados com informaes de teor e densidade nos furos de
sondagem), do modelo de curto prazo (STM, estimados com informaes de teor dos furos de
desmonte e densidade dos furos de sondagem), da produo (PREM, medido pelo valor de
carregamento e despacho eletrnico) do minrio total enviado para o britador primrio
(TSC_PREM, medido por balana de alta preciso no britador) e do minrio processado na
usina (PLANT, medido atravs de sistema de balanas diferenciais de alta preciso na correia
de entrada do moinho SAG).
Os fatores de controle entre os diversos tipos de operao de reconciliao so obtidos
na mesma base mssica, ou seja, a massa dos materiais reconciliada em base seca atravs de
anlises de umidade (3%) do material in situ e densidade in situ seca do modelo de blocos. A
Figura 5.28 mostra o processo de reconciliao no Complexo de Minerao Sossego e
exemplifica o clculo dos principais fatores da reconciliao e as principais rotas e
comparaes executadas:

117

Figura 5.28: Esquema de reconciliao do Complexo Sossego.

(i) F1 = STM / LTM (entre superfcies topogrficas e somente dentro da
envoltria mineralizada prevista pelo longo prazo) - usado para reconciliao e verificao da
eficincia do mtodo de estimativa usado e previsto pela estimativa no modelo de minrio do
longo prazo, no mesmo suporte de blocos (10m x 10m x 16m);

(ii) F1 = STM / LTM (entre superfcies topogrficas) - usado para verificao de
possvel diluio externa e/ou aparecimento de minrio fora da envoltria mineralizada
prevista pelo longo prazo (controle mineral nos contatos e fora da envoltria), no mesmo
suporte de blocos (10m x 10m x 16m). As Figuras 5.29a,b mostram comparativos entre
modelo de longo prazo e curto prazo (nvel 168NMM), respectivamente:

118

Figura 5.29: Modelo previsto de longo prazo (a) e realizado de curto prazo (b), plano 168m.

(iii) F2 = PREM / STM - usado para verificao do modelo de curto prazo
previsto (Figura 5.30) e o que foi realmente produzido por equipamentos de escavao,
carregamento e transporte. O controle de todo o movimento do material no Complexo
Sossego feito por meio de sistema de despacho eletrnico que permite registrar e codificar
os diferentes tipos de minrios e estril (massas e teores do material produzido), de acordo
com a rota do material transportado, da origem ao destino. O sistema de alta preciso GPS
utilizado por ps carregadeiras e escavadeiras, e o de baixa preciso utilizado no transporte.
A gesto do fluxo de transporte de material minrio e estril estabelecida de acordo com os
pontos de carga e descarga. A descarga de minrio, proveniente da mina e do estoque do
minrio de sulfeto, feita no britador primrio, ou seja, representa uma mistura de minrio da
mina e das pilhas de estoque de minrio. A Figura 5.30 apresenta o polgono de liberao de
lavra de curto prazo (estimado por krigagem ordinria), contendo as amostras dos valores de
cobre (%) nos furos de desmonte e a projeo do material a ser desmontado;

(a) (b)
200m
200m
119

Figura 5.30: Polgono de liberao de lavra de curto prazo (estimado por krigagem ordinria).

(iv) F3 = PLANT / TSC_PREM - usado para verificao do que foi previsto
(STM) relativo aderncia ao processo de operacionalizao da lavra (PREM) dos tipos de
materiais e o que realmente foi processado na usina de beneficiamento (britagem, moagem e
flotao). A massa de minrio processado na usina do Sossego controlada por balanas
dinmicas nas correias transportadoras em pontos selecionados e por uma balana esttica no
controle do concentrado produzido no momento da expedio do produto;

A balana dinmica apresenta um erro de aproximadamente +/- 1% e a balana
esttica tem um erro de aproximadamente +/- 0,1%.
A Figura 5.31 apresenta os fatores F3 e F2 (tonelagem, teor e metal) do controle de
reconciliao para o Complexo Sossego, considerando o fechamento topogrfico anual e os
respectivos valores oficiais do processo de reconciliao. As linhas azuis (10%) e vermelhas
(15%) representam os limites de controle de desvios aceitveis (anual) na reconciliao, pelo
Departamento de Operaes de Metais Bsicos Atlntico Sul (DIOC) e pelo Comit Global de
Recursos e Reservas Minerais da Vale, respectivamente.
O resultado do fator F2 (PREM/STM), que apresenta erro relativo de
aproximadamente -2% para a massa total (t) produzida, -1% para o teor de cobre e,
Amostras de furos de desmonte com
teores de Cu% e blocos estimados no
modelo de curto prazo (STM)
Projeo do material desmontado para controle de
produo e qualidade do produto durante a operao de
lavra (PREM)
Polgono de Lavra e Liberao de Minrio
(Modelo de Curto Prazo)
Dados do modelo para desmonte
(identificao, massa e teor)
120

consequentemente, -3% para a quantidade (t) de metal produzido com relao ao estimado,
demonstra a alta confiana relativa estimativa e tcnica aplicada ao modelo de curto prazo
(STM) e ao processo de operacionalizao e controle da qualidade dos materiais envolvidos
durante a lavra, referente a toda poro de minrio definida no ciclo de operao da mina.
O valor do fator F3 (PLANT/TSC_PREM), que apresenta erro relativo de
aproximadamente -3% para a massa total (t) processada na usina, 0% para o teor de cobre e,
consequentemente, -3% para a quantidade (t) de metal executado na usina, demonstra a alta
confiana relativa quantidade e qualidade do minrio produzido e enviado para a usina
(devido operacionalizao de lavra) e ao material resultante processado na usina de
beneficiamento e reconciliado nessa etapa.
Todo o processo (Figura 5.31) visto anteriormente indica que, de maneira geral, a
partir do processo de estimativa do modelo de curto prazo (STM), at o produto final
executado na usina, existe um erro sistemtico global de metal produzido em cada etapa
(Fatores 2 e 3), de aproximadamente -3%. Esses erros so associados, principalmente,
diferena mssica resultante entre os processos, com erro sistemtico global em torno de -5%.
As diferenas em ambas etapas (Fatores 2 e 3) de reconciliao, relativo aos teores estimados
no modelo de curto prazo e executado na usina de beneficiamento, apresentam erros relativos
de 0% (F3) e -1% (F2), sendo -1% de erro global dos teores no processo com um todo. Dessa
forma, o modelo das reservas de minrio de curto prazo, estimado atravs do uso dos valores
analticos de teor de cobre nos furos de desmonte, apresenta alta preciso e confiabilidade
(local e global).

121

Figura 5.31: Resultados dos Mining Call Factors (F3 e F2) aplicados ao Complexo Sossego.

Dessa forma, o modelo de curto prazo servir como referncia para validao do
processo de simulao e estimativa (OK) dos recursos minerais, aplicados em estudos de
longo prazo, e usado na medio das incertezas associadas aos recursos minerais vista
anteriormente, e que ser til no clculo do risco associado s reservas minerais (Captulo 6).
Na Figura 5.32, apresentada a validao do uso de simulaes condicionais para
predio e execuo de anlise risco inerente aos recursos e reservas minerais intrnseca
variabilidade dos teores. A reconciliao (Fator F1) feita usando os limites do minrio de
longo prazo, que referncia quantitativa, qualitativa, oramentria e econmica relacionada
venda do produto (receita). A lavra do minrio e os valores de produo resultantes so
reconciliados com possveis modelos equiprovveis da varivel, mostrando a variabilidade
dos teores e ajudando a previsibilidade desses (reconciliao pr-ativa). Os valores F1, de
comparao relativa entre o modelo de curto prazo e longo prazo (STM/LTM), apresentam
variabilidade significativa durante os meses de lavra executados (previstos por 7 simulaes
usadas para caracterizar o espao de incerteza dos teores, ranqueadas pelo teor mdio mnimo,
percentil 5 %, quartil inferior, mediana, quartil superior, percentil 95% e mximo). Os valores
previstos atravs do uso da krigagem ordinria no permitem prever o real comportamento de
variao dos teores. O resultado global anual para esse fator ficou em 1, ou seja, no espectro
anual de lavra, no houve diferena significativa entre os teores previstos e executados, apesar
da alta variabilidade mensal. De acordo com o intervalo de variabilidade dos valores de
122

reconciliao apresentado pelos modelos simulados (Figura 5.32), possvel verificar a
capacidade de previso e acerto referentes aos teores de cobre no depsito. Na Figura 5.32
apresentado o Fator F1 e incerteza dos teores relacionados envoltria mineral de cobre de
longo prazo, teores da simulao condicional e os teores de cobre executados na mina, dentro
do corpo de minrio de longo prazo e do plano anual de lavra para o Depsito Sequeirinho.

Figura 5.32: Fator F1 e incerteza dos teores relacionados envoltria mineral de cobre de longo prazo.

5.4. COMENTRIOS FINAIS

O Complexo Sossego, que conta com o Depsito Sequeirinho, uma regio mineira
de extrao de minrio de cobre, diversificado por diversos tipos de mineralizaes com
controle estrutural associado. Neste captulo, foram apresentadas a metodologia e a aplicao
de simulao estocstica de teores de cobre a fim de modelar a incerteza nos teores associados
aos blocos dos recursos minerais. Em contraste com a abordagem tradicional, foram
simulados diversos valores possveis em escala pontual, sendo necessria a mudana de
suporte, permitindo a obteno de uma distribuio de valores em cada bloco. Um total de 30
realizaes da distribuio dos teores foi produzido.
1.00
1.02
0.60
0.65
0.70
0.75
0.80
0.85
0.90
0.95
1.00
1.05
1.10
1.15
1.20
1.25
1.30
1.35
1.40
J
A
N
F
E
V
M
A
R
A
B
R
M
A
I
J
U
N
J
U
L
A
G
O
S
E
T
O
U
T
N
O
V
D
E
Z
T
O
T
A
L
F
A
T
O
R

F
1
Perodo
Fator F1 - Anlise de Teor e Metal
Minrio Total- envoltria mineral de longo prazo
Execuo do Plano de lavra anual - Cava Sequeirinho
F1 (STM/MINIMUM) F1 (STM/MEDIAN)
F1 (STM/MAXIMUM) F1 (STM/P 95th)
F1 (STM/P 75th) F1 (STM/P 25th)
F1 (STM/P 5th) F1 (STM/LTM)
F1 (LTM/E-TYPE) F1 (STM/E-TYPE)
123

O captulo comea com uma breve descrio da operao da cava a cu aberto
Sequeirinho, incluindo comentrios sobre o processo de lavra, geologia, estimativa e
processamento do minrio. Depois, detalhes sobre o procedimento de simulao condicional
so apresentados, descrevendo a aplicao da tcnica de simulao desde a anlise dos dados
at a validao dos resultados. Na ltima seo, a avaliao da incerteza sobre os recursos
disponveis apresentada e comparada com a avaliao de recursos produzida atravs do uso
da metodologia tradicional de estimativa. As principais concluses so:

(i) o tempo executado no processo de simulao pode ser considerado dentro dos
limites aceitveis para permitir a sua utilizao rotineira na operao do Complexo Sossego;

(ii) a validao das simulaes mostra que essas reproduziram os momentos de
primeira e segunda ordem estatstica para o depsito. Alm disso, apesar de estar centrada nas
estatsticas do modelo, a magnitude das oscilaes aumenta de acordo com a classificao de
recursos nos domnios medido e indicado, definidos previamente atravs da metodologia
tradicional;

(iii) foram realizadas as anlises de incerteza no Depsito Sequeirinho combinando
o modelo de recursos in situ com as simulaes que representam os principais percentis da
distribuio simulada. As simulaes mostram um intervalo relativamente baixo de variao
de massa em torno do valor esperado (E-type) de 277,7Mt, variando em torno de -1,02% e
+1,73%. Para as categorias de recursos individuais, as simulaes mostram aumento dos
intervalos de variao em torno da tonelagem e teor esperados para o recurso indicado e
pouca variao para os recursos medidos;

(iv) as medidas de incerteza, referentes ao coeficiente de variao condicional e
intervalos de confiana aplicados, mostram que h um maior nvel de incerteza em escala
local nos recursos, quando comparado escala global. A metodologia tradicional de
classificao de recursos (parmetros geomtricos), que em geral baseada na densidade
amostral e continuidade espacial dos teores, no leva em considerao a variabilidade
intrnseca dos teores. Dessa forma, a abordagem tradicional, sem o uso de uma ferramenta
auxiliar para quantificao da incerteza, pode induzir a atribuio de um maior grau de
confiana nos recursos minerais em reas onde a incerteza real indica um nvel de confiana
menor;
124

(v) atravs do processo de reconciliao executado, foi possvel validar a aplicao
da abordagem de simulao estocstica condicional, sendo possvel acessar a variabilidade
local das reservas de minrio, resultando em um melhor entendimento do comportamento
estatstico do depsito e riscos associados.

No prximo Captulo (6), a partir dos diversos modelos de simulao, que
possibilitaram quantificar a incerteza inerente variabilidade dos teores, ser executado o
processo de anlise de risco de longo prazo e tambm o sequenciamento de produo levando
em considerao estas variaes. S ento, o real impacto dos riscos no processo de lavra
poder ser avaliado e gerenciado.

125

Captulo 6

6. ANLISE DE RISCO DE LONGO PRAZO E NO SEQUENCIAMENTO DA
PRODUO DA MINA SEQUEIRINHO

Este captulo apresenta uma aplicao da abordagem descrita no Captulo 4 baseada na
escala de risco (ESR), usada para o sequenciamento de produo operacional (desenho
operacional) do plano anual de lavra na Cava Sequeirinho e para a avaliao econmica da
metodologia proposta referente ao real ganho financeiro e controle dos teores. Tambm
avaliada a anlise de risco com relao aos limites de cava final e processo de otimizao que
definir uma sequncia de cavas aninhadas. Os resultados podem servir de referncia para o
sequenciamento da vida til da mina e, consequentemente, serem comparados aos modelos
simulados, gerando uma anlise de incerteza dos valores de fluxo de caixa. Em seguida, a
anlise de risco desenvolvida em indicadores-chave do projeto para o cronograma de lavra
otimizado, proporcionando uma avaliao quantitativa e qualitativa dos riscos associados.
A comparao (sequenciamento original x sequenciamento com risco associado) dos
resultados nos indicadores operacionais, referente ao sequenciamento operacional de lavra,
obtidos e reconciliados com os valores reais (teores) do plano de lavra executado, demonstra a
aplicabilidade e eficcia da abordagem proposta no Captulo 4.

6.1. SEQUENCIAMENTO DE LAVRA

O desenvolvimento de um sequenciamento de lavra operacional, relacionado a um
caso base, foi efetuado com o objetivo de produzir um resultado de referncia para
comparao com o desempenho relativo abordagem do risco aplicado, avaliando o impacto
da incerteza associado no cronograma de produo. A definio do caso base desenvolvida
usando uma abordagem tradicional, atravs do sequenciamento anual de lavra considerando
os teores de cobre que iro alimentar a usina junto cava a cu aberto Sequeirinho, utilizando
todas as premissas operacionais para o desenvolvimento do plano. Anteriormente, foi
realizado anlise de risco na determinao da cava final (otimizao) referente a gerao da
sequncia de cava aninhadas e aspectos econmicos relacionados.
126

6.1.1. Otimizao de Cava

Primeiramente o processo de otimizao de cava a cu aberto foi realizado usando o
modelo de blocos estimado atravs da krigagem ordinria, no havendo insero da incerteza
geolgica, para analisar sua influncia no processo de otimizao. No entanto, posteriormente
foi efetuada anlise de risco nos resultados do processo de otimizao considerando o modelo
determinstico de teores e tambm as simulaes desenvolvidas no Captulo 5.
Os parmetros utilizados no processo de otimizao incluem aspectos geolgicos,
geotcnicos, custos de produo associados, preo dos metais e os parmetros de recuperao
no processo beneficiamento do minrio. A otimizao para determinao da cava final e fases
intermedirias de lavra foi realizada utilizando uma implementao do algoritmo Lerchs-
Grossmann (Lerchs e Grossmann, 1965) de otimizao tridimensional, atravs do software
Whittle Four-X (Whittle, 1999). Aplicando-se fatores crescentes de retorno financeiro
(revenue factors), relacionado ao preo das commodities que geram receita, obtm-se um
conjunto de cavas incrementais (aninhadas). A cava selecionada como cava de exausto (UPS
Ultimate Pit Shell) ser a de retorno fincanceiro mximo, ou seja, correspondente ao preo
de cobre utilizado no processo de otimizao (2,50 US$/lb). Posteriormente, as cavas
aninhadas geradas so operacionalizadas (considerando condies geomecnicas e
operacionais) e utilizadas como base para o desenho das fases de lavra. Os parmetros e
valores apresentados na Tabela 6.1 no so reais devido confidencialidade das informaes.

Tabela 6.1: Parmetros tcnicos e econmicos.
Definio dos Parmetros Tcnicos e Econmicos

Recuperao flotao - Cu % 0,90
Recuperao na Fundio - Cu % 0,93
Preo do metal - Cu 2,50 US$/lb
Custo de Venda - Cu 0,35 US$/lb
Custo de Lavra 3,5 US$/t
Custo de Processo 10,0 US$/t
Recuperao flotao - Au ppm 0,85
Recuperao na Fundio - Au ppm 0,90
Preo do metal - Au (subproduto) 650 US$/oz
Custo de Venda - Au 0,30 US$/oz
Juros/Taxa de Atualizao (mensal) 0,66%
Impostos 34%

127

6.1.1.1. Processo de Otimizao

O processo conhecido como otimizao de cava tradicionalmente realizado com base
no modelo de recursos estimados (krigagem ordinria) e usando a implementao de cavas
incrementais (aninhadas) do algoritmo Lerchs-Grossmann no software Whittle Four-X.
Diferentes critrios podem ser usados para selecionar a cava final, incluindo o valor presente
lquido (VPL) baseado em uma sequncia de lavra referencial. A cava final ento usada
como base para o projeto de desenvolvimento da cava de exausto e planejamento do
sequenciamento de lavra.
A variao do preo de cobre para a definio das cavas aninhadas foi de 2,10 a 2,98
US$/lb. O valor mximo lquido e o fator de retorno (revenue factor) 1,0 foram utilizados
como critrio para a seleo dos limites de cava final, tanto para o modelo estimado quanto
para as simulaes. A cava otimizada escolhida est associada ao valor de preo de cobre de
2,50 US$/lb, resultando em um valor descontado de fluxo de caixa US$ 3.292M.
importante notar que as cavas correspondentes aos limites finais, assim definido no
processo de otimizao, no levam em considerao restries operacionais em pequena
escala na determinao da sequncia de lavra detalhada. As diferenas so relacionadas aos
ajustes de largura de praa disponvel para a lavra, suavizao dos ngulos dos taludes na
cava, criao de estradas, rampas e acessos.

6.2. RESULTADOS E ANLISE DE RISCO

O objetivo do processo de otimizao avaliar a sensibilidade de valor do projeto nos
resultados relacionados tanto para o modelo tradicional (OK) quanto relacionada incerteza
dos teores (simulaes). A utilizao de diversos modelos equiprovveis resultantes da
simulao condicional serviram como entrada no processo de otimizao, permitindo a
avaliao quantitativa e qualitativa da incerteza relacionada ainda desconhecida distribuio
real dos teores.
A Figura 6.1 mostra a tonelagem de minrio previsto e anlise de risco desse minrio,
sendo que a funo de transferncia leva em considerao uma srie de cavas aninhadas
obtidas por processo de otimizao de cada simulao. O procedimento gera uma distribuio
de respostas ou um intervalo de resultados alternativos para as reservas contidas e indicadores
128

econmicos. At a cava 7, a nuvem dos resultados de tonelagem cumulativa derivada dos
modelos simulados apresenta uma acrscimo mdio de aproximadamente 30% em relao
tonelagem prevista pelo modelo estimado. Na cava 16, relativo ao fator de retorno 1, o
modelo estimado indica aproximadamente 131Mt contra um valor esperado de 177Mt
derivado das simulaes. O mesmo tipo de anlise foi realizado nos teores mdios que iro
alimentar a usina de beneficiamento (Figura 6.2). Os resultados apresentam uma
superestimativa do modelo estimado, diminuindo a diferena com relao aos modelos
simulados com o incremento das cavas. Na cava 1, o modelo estimado prev um teor mdio
de cobre na alimentao da usina de 1,66 %, enquanto as simulaes indicam um teor
esperado de 1,28%. Na cava 16, o modelo estimado indica aproximadamente 0,89% Cu contra
um valor esperado de 0,86% derivado das simulaes. O perfil de risco dos teores de
alimentao referente cava final 16 varia de 0,80 a 0,90% Cu, o que corresponde a uma
diferena de -7,5% a 4,5% em relao ao valor esperado. A combinao da subestimativa da
tonelagem de minrio e superestimativa do teor de alimentao da usina tem um impacto
direto sobre o desempenho do valor de projeto. Tambm, a combinao da superestimativa da
tonelagem de minrio com a subestimativa de teor nas cavas aninhadas tem impacto direto na
taxa global de relao estril minrio e custos de produo.
A variabilidade nos parmetros chaves, revelada pela anlise de risco, permite a
quantificao da probabilidade dos possveis resultados. A Figura 6.3 apresenta a
movimentao total de rocha para as cavas aninhadas, indicando uma possibilidade de maior
movimentao total esperada a partir da cava 8. Isso indica que parte do material, que foi
considerado como estril no modelo estimado por krigagem ordinria, foi determinado como
minrio no processo de simulao, havendo assim um aumento da massa de minrio total
dentro da cava final e reduo dos teores globais, apresentando uma possiblidade de
viabilidade e aumento da cava final referente diferena de teores por krigagem ordinria e
simulaes. Este acrscimo de massa de minrio total e, consequentemente, da movimentao
de rocha total, ir impactar significativamente no fluxo de caixa do projeto (Figura 6.4).

129

Figura 6.1: Massa de minrio do processo de otimizao.

Figura 6.2: Teor de alimentao da usina do processo de otimizao.

Figura 6.3: Massa total movimentada do processo de otimizao.

A Figura 6.4 apresenta os resultados obtidos do fluxo de caixa descontado para as
cavas otimizadas com os teores dos blocos obtidos por krigagem ordinria e simulaes. Esse
0
50,000,000
100,000,000
150,000,000
200,000,000
250,000,000
300,000,000
350,000,000
400,000,000
450,000,000
500,000,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
M
a
s
s
a

(
t
)
Cavas Aninhadas
Massa de Minrio (t)
Sim 2 Sim 3 Sim 1 Sim 4 Sim 5 Sim 6 CU - OK E-Type
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
2.2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
T
e
o
r
e
s

d
e

C
u
%
Cavas Aninhadas
Teores de Cu% - Alimentao Usina
Sim1 Grade Sim2 Grade Sim3 Grade Sim4 Grade
Sim5 Grade Sim6 Grade CU - OK Grade E-Type Grade
0
150,000,000
300,000,000
450,000,000
600,000,000
750,000,000
900,000,000
1,050,000,000
1,200,000,000
1,350,000,000
1,500,000,000
1,650,000,000
1,800,000,000
1,950,000,000
2,100,000,000
2,250,000,000
2,400,000,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
M
a
s
s
a

(
t
)
Cavas Aninhadas
Massa Total (t)
Cava final (16),
fator de retorno 1.
130

indica que o modelo obtido atravs da krigagem ordinria subestima o valor potencial da
reserva. H um potencial de aumento do valor para a cava final (16) com relao ao VPL
obtido atravs do modelo de blocos estimado por krigagem ordinria. A diferena dos valores
at a cava 9, entre os modelos esperado (E-Type) e estimado (OK), varia em torno de 20%,
havendo um acrscimo da diferena para 23% nas cavas 10 16. As possveis variaes
percentuais em torno do valor mdio esperado para a cava final (16) esto entre o intervalo [-
9.4%; 16%].

Figura 6.4: Fluxo de caixa descontado do processo de otimizao.

As Figuras 6.5 6.9 apresentam as principais variaes dos modelos simulados
relativas ao desenho da cava final, comparado ao desenho de cava resultante do modelo
estimado por krigagem ordinria. Na Cava Sequeirinho, em geral, as cavas simuladas
confirmam o talude final norte, mostrando que o ngulo global de talude nesse setor da mina
no sensvel variabilidade e incerteza dos teores no depsito. No setor noroeste, existe
uma grande variabilidade e incerteza dos teores, havendo a possibilidade de aumento do valor
de projeto com o aumento da cava final. De maneira geral, ocorre uma flutuao maior nos
desenhos das cavas finais simuladas nos taludes oeste e leste, indicando nveis maiores de
incerteza dos teores, revelando o impacto da incerteza destes nas pores mais profundas do
depsito atravs dos resultados das otimizaes.
Atravs da avaliao da cava resultante da otimizao do modelo de valor esperado
(E-Type) possvel verificar a possibilidade de aumento da cava final com relao cava
estimada (modelo krigado), principalmente no setor sul e sudeste da cava. A flutuao
evidenciada nas cavas simuladas no talude sul reflete a incerteza dos teores nas pores mais
450000000
1.45E+09
2.45E+09
3.45E+09
4.45E+09
5.45E+09
6.45E+09
7.45E+09
8.45E+09
9.45E+09
1.045E+10
1.145E+10
1.245E+10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
U
S
$
Cavas Aninhadas
Fluxo de Caixa Descontado (US$)
131

profundas do depsito, sendo que o corpo de minrio est mergulhando 60 na direo
sudeste. Essa quantidade de cavas timas provenientes das simulaes dos teores proporciona
a possibilidade de melhor definio do desenho operacional da cava final, revelando reas
potenciais de grande variabilidade e com risco e/ou oportunidade na definio do valor de
projeto.
A Figura 6.5 apresenta os resultados do processo de otimizao para o modelo
estimado (krigagem ordinria, vermelho) e para as simulaes (preto e azul).

Figura 6.5: Seo horizontal das cavas matemticas finais, plano 192m. As sees verticais so representadas por
AA' e BB'.

krigagem ordinria
E-Type simulaes
simulaes
132

Figura 6.6: Seo horizontal das cavas matemticas finais, plano 16m.

Figura 6.7: Seo horizontal das cavas matemticas finais, plano -80m.

krigagem ordinria
E-Type simulaes
simulaes
krigagem ordinria
E-Type simulaes
simulaes
133

Figura 6.8: Seo vertical (A', A) das cavas matemticas finais.

Figura 6.9: Seo vertical (B', B) das cavas matemticas finais.

6.3. SEQUENCIAMENTO DE LAVRA OPERACIONAL COM RISCO ASSOCIADO

Os estudos de anlise de risco apresentados na Seo 6.2 foram realizados em cavas
otimizadas que servem como base para as fases e, consequentemente, para o plano de lavra ao
longo da vida da mina (LOM), gerando informaes valiosas sobre as quantidades provveis
krigagem ordinria
E-Type simulaes
simulaes
krigagem ordinria
E-Type simulaes
simulaes
134

de minrio e metal contido na cava final. Um resultado importante a percepo de que os
requisitos de alimentao dos teores de minrio na usina (Figura 6.2) no seria atingido em
todas as possveis etapas da programao de produo.
Atravs do sequenciamento de lavra considerando o risco associado possvel
diminuir a diferena relativa entre os teores previstos e executados durante o processo
operacional, assim como a variabilidade nos teores de alimentao da usina para que o
minrio disponvel seja suficiente para atender s exigncias do produto e clientes. Para isso,
faz-se necessrio uma abordagem que quantifique o desvio de metas e que minimize o risco
desse desvio no sequenciamento da programao de produo (plano anual de lavra) que est
inserido no plano de lavra ao longo da vida da mina (plano plurianual de lavra).
A determinao das taxas de produo e dos ndices operacionais dos equipamentos
realizadas atravs do sequenciamento plurianual de lavra (Life of Mine) so os primeiros
passos para a derivao do cronograma de produo. O prximo passo consiste em gerar uma
sequncia de lavra operacional tradicionalmente executada (sequncia original) e uma
sequncia de lavra considerando os riscos inerentes estimativa e qualidade do minrio,
atravs do uso da ESR otimizada (sequncia com risco associado), considerando que todas as
premissas operacionais e de produo sejam atendidas. Essas sequncias de lavra so obtidas
da seguinte forma:

(i) usar as taxas de produo definida pelo plano plurianual de lavra para gerar um
cronograma de produo baseado nas metas definidas atravs do modelo estimado por
krigagem ordinria, no considerando nenhum risco associado (sequncia original de lavra);

(ii) usar as taxas de produo definida pelo plano plurianual de lavra para gerar um
cronograma de produo baseado nas metas definidas atravs do modelo estimado por
krigagem ordinria (base oramentria), levando em considerao o risco associado (ESR
otimizado), resultando numa sequncia de lavra com o risco inerente.

6.3.1. Otimizao usando Simulao Annealing

Dado que a funo objetivo (item 4.2) possui uma resposta no linear relativo s
variaes dos teores dos blocos definida pela escala de risco (ESR), o processo de otimizao
atravs dessa abordagem favoravelmente aceitvel. Nessa, abordagem no h a necessidade
135

de definio de um grande nmero de restries para cada bloco, normalmente aplicado em
modelos de otimizao tradicionais. Dessa forma, a abordagem metaheurstica, utilizada na
definio da ESR, simplifica a formulao objetivo utilizada, podendo ser utilizadas diversas
premissas na definio. O algoritmo (4.10) proposto utiliza o processo de simulao
annealing para a otimizao, baseada na funo objetivo proposta.
Como visto anteriormente no item 4.3, o princpio do processo de simulao annealing
comea com uma soluo inicial e durante o processo ocorrem perturbaes graduais, ou
modificaes no vetor soluo, onde a probabilidade de aceitar uma modificao sub-tima
(referente ESR) decresce com o andamento do clculo do algoritmo. Inicialmente, o
algoritmo pode aceitar uma soluo sub-tima modificada de maneira a obter uma melhor
soluo numa iterao futura (referente ao espao aplicado otimizao). O algoritmo
comea o processo com uma alta temperatura T (ver item 4.3.2), sendo este gradualmente
reduzido atravs de um fator de "resfriamento" k, onde k < 1. Essa reduo na temperatura
realizada a cada n iteraes. A cada iterao do algoritmo de simulao annealing, um bloco i
aleatoriamente selecionado para ser trocado da classe de risco (ESR) j para j' (ver items
4.3.1 e 4.3.2). Ento, o algoritmo annealing aleatoriamente aceita ou rejeita a mudana na
soluo baseado na probabilidade p da distribuio. medida que a temperatura T annealing
decresce, a probabilidade de aceitar uma mudana sub-tima na soluo, em termos do valor
da funo objetivo, decresce. Se a mudana aceita, a soluo atual
sobrescreve a
soluo anterior
.
Os valores ESR devero ser transformados em categorias (nmeros categricos) de
risco para o processo de simulao annealing, facilitando assim a leitura do algoritmo relativo
s diferentes categorias de risco. A seguir a Tabela (6.2) de parmetros usados no processo de
simulao annealing (Isatis) e a Tabela (6.3) para definio das categorias ESR que sero
utilizadas. No caso do Depsito Sequeirinho, foram utilizados valores mdios (Tabela 6.3) de
erro relativo e coeficiente de variao condicional para a definio das categorias da ESR
(funo objetivo, Equao 4.10). Ento, os valores da funo objetivo ESR foram
transformados em nmeros categricos que indicaro os respectivos intervalos e categorias de
risco. A escolha dos valores para definio das categorias inerente pessoa qualificada com
relao ao depsito mineral.

136

Tabela 6.2: Parmetros pra simulao annealing.
Definio dos Parmetros de Simulao Annealing

Imagem Simulada (resultado da simulao) Annealing Simulao min., max., P5th, etc.
Imagem de Treinamento (modelo para clculo proporcional) E_TYPE (mdia dos teores das simulaes)
Imagem Inicial (imagem a ser otimizada) Simulao min., max., P5th, etc.
Semente para Gerao de Nmeros Aleatrios 423141
N de Iteraes (
) 100
Peso para as probabilidades de transio 1
Constante de Boltzmann (k) 1e-006
N de Variogramas (passos, vizinhana) 26
N de Simulaes (Min, Max, P5, P25, P50, P75, P95) 7

Tabela 6.3: Definio das categorias de risco (ESR) para simulao annealing.
Definio das Categorias de Risco (ESR) para a Simulao Auto-Regressiva

N de Categorias 4
N de Intervalos 4
Intervalo 1 - Categoria Risco Baixo 1
Intervalo 1 - Limite Inferior 0.00
Intervalo 1 - Limite Superior (valor mdio de erro relativo 15% e CCV de aprox. 0.60) 0.09
Intervalo 2 - Categoria Risco Moderado-Baixo 2
Intervalo 3 - Categoria Risco Moderado-Alto 3
Intervalo 4 - Categoria Risco Alto 4
Intervalo 4 - Limite Superior

Para a definio do modelo ESR mdio resultante, aps executado o processo de
simulao annealing em cada modelo de teores simulados e posterior ponderao pela mdia
dos resultados de cada simulao, o algoritmo apresentou em mdia 227.257 perturbaes,
com um total de 37.345 sendo realmente aceitas dos 287.268 blocos do modelo de recursos
totais do Complexo Sossego, uma vez que atingiu o nmero mximo de tentativas sem
qualquer alterao na funo objetivo ESR.
137

Em termos de mudana dos valores da funo objetivo, a formulao ESR apresentou
uma reduo global dos valores de categorias de risco de aproximadamente 10%,
considerando todos os blocos do recurso mineral. As Figuras 6.10a;b e 6.11a;b apresentam o
resultado do algoritmo de simulao annealing, havendo a reduo dos valores das categorias
ESR, otimizando a funo objetivo inicial dos modelos simulados. Os blocos em azul, no
modelo de recursos, representam as categorias 1 (baixo risco) e 2 (baixo moderado risco) da
ESR. Os blocos em vermelho representam as categorias 3 (moderado alto risco) e 4 (alto
risco). possvel perceber nas figuras a mudana de blocos com categorias de risco maior
para categorias de risco menor devido ao processo de simulao annealing.

Figura 6.10: (a) Imagem inicial (antes de ser aplicado o algoritmo annealing) de uma simulao de teores
transformados em ESR; (b) Imagem final ESR relativa mdia de todas as simulaes de teores obtidas atravs
de simulao annealing.

(a) (b)
138

Figura 6.11: (a) Frequncia das categorias ESR relativa simulao com menor teor apresentada como imagem
inicial no simulada; (b) Resultado da frequncia das categorias ESR relativa simulao com menor teor
otimizada atravs de simulao annealing.

Depois de executado o processo de otimizao da escala de risco (ESR) de todas as
simulaes disponveis e posterior definio de uma ESR nica atravs da mdia de todos os
resultados, h o sequenciamento de lavra para destinao de cada bloco (definido pela
krigagem ordinria, que a base oramentria e modelo qualitativo para definio do produto
de venda) considerando o tipo de material e o risco (ESR) associado. Aps a definio da
ESR otimizada, essa foi utilizada no sequenciamento operacional de lavra (item 6.3.2) com a
finalidade de sequenciar o avano de lavra considerando os riscos inerentes, para que haja
efetivamente a reduo da funo objetivo referente sequncia de produo original, que
est associada qualidade do minrio e ao cumprimento das metas (Equaes 4.11 e 4.12).

6.3.2. Sequenciamento de Lavra Estocstico Operacional

A produo do Complexo Sossego (cavas Sequeirinho e Sossego) realizada atravs
do uso de equipamentos de carregamento (4 ps mecnicas com 19m de capacidade),
escavadeiras eltricas cabo (3 escavadeiras com 54m de capacidade) e caminhes fora de
estrada (23 com 240t de capacidade e 16 com 150t de capacidade), alm de equipamentos
auxiliares para operao de infra-estrutura e apoio ao processo de lavra. O processo
(a) (b)
139

operacional de lavra executado em bancadas com altura de 16 m, sendo do mesmo tamanho
da unidade de lavra seletiva (SMU), definida por blocos com 10m x 10m x 16m.
Na Figura 6.12 apresentada a cava de partida Sequeirinho para o plano de lavra
anual, usada para o planejamento atravs da sequncia original (tradicional) desenvolvida no
planejamento de longo prazo e para a sequncia com risco associado. Os valores na Figura
representam as cotas (m) relativas ao nvel mdio do mar (NMM).

Figura 6.12: Cava inicial (de partida) do Sequeirinho usada para o sequenciamento por ambas metodologias de
lavra.

Os valores de produo e teores para o cumprimento da movimentao total e de
minrio no sequenciamento de lavra, assim como a quantidade de massa de minrio no
estoque e o programa de alimentao dos teores da usina para o cumprimento do plano anual
de lavra, sero considerados os mesmos referentes ao plano original (sequncia tradicional)
desenvolvido. A mudana geomtrica do avano de lavra, baseada na sequncia com risco
associado, dever necessariamente cumprir todas as premissas operacionais (fases
operacionais, ngulos geotcnicos, rea operacional, largura de bermas, capacidade de
desenvolvimento vertical de lavra, etc.) aplicadas ao plano de lavra original. Tambm foi
desenvolvida uma sequncia onde o desenvolvimento dos bancos superiores no afetassem,
Rampas
Crista
"P" do Banco
Praa de Lavra
24
40
56
184
184
168
152
168
140

com a queda de material, o desenvolvimento de lavra nos bancos inferiores. Dessa maneira,
ser possvel perceber a real capacidade de gerenciamento do risco (Tabela 6.3) associado
atravs do uso da ESR otimizada no sequenciamento iterativo de produo e desvios de metas
no desenvolvimento do ciclo mineiro.
Nos itens a seguir so apresentados os sequenciamentos do plano anual de lavra
considerando a metodologia tradicional, sem risco associado na definio dos avanos, e com
risco associado (ESR). A idia fazer com sejam minimizados os riscos no cumprimento do
plano de alimentao do minrio na usina, mantendo a qualidade dos teores e caracterstica
operacional dos equipamentos e do sequenciamento da mina.

6.3.2.1. Pushback 1

Nas Figuras do sequenciamento de lavra a seguir possvel visualizar o modelo ESR
otimizado nos planos de lavra original (a) e com risco associado (b), assim como os
respectivos modelos de teores para cada sequncia (c e d), respectivamente. Para o
sequenciamento do pushback 1 (ms de janeiro) com risco associado, a partir da cava inicial
para o Depsito Sequeirinho, houve o desenvolvimento na poro de material estril e avano
do minrio no setor oeste da mina. Dessa forma, uma maior quantidade de minrio nos
estoques foi usada para suprir a quantidade de massa necessria na alimentao da usina.
Assim, foi possvel garantir massa de minrio (>0.45%Cu) com menor risco proveniente da
cava com destino usina, sem precisar lavrar diretamente a poro do fundo da cava que
apresenta moderado alto risco associado. O sequenciamento e blendagem de minrio
durante o processo de lavra tambm so apresentados nos avanos de lavra a seguir. As
figuras (6.13a a 6.29d) a seguir apresentam categorias de ESR (categorias 1 e 2, azul;
categorias 3 e 4, vermelho) e teores de cobre (0,01 a 0,2%, cinza; 0,2 a 1,0%, verde; >1,0%,
laranja) no sequenciamento de lavra tradicional e com risco associado.

141

Figura 6.13: Pushback 1 (a) sequncia de lavra original com ESR; (b) sequncia de lavra com risco associado
com ESR; (c) sequncia de lavra original com teores; (d) sequncia de lavra com risco associado com teores.

6.3.2.2. Pushback 2

Para o sequenciamento do pushback 2 (ms de fevereiro), com risco associado, houve
o desenvolvimento na poro de minrio e estril do fundo da cava, que apresenta elevados
teores e baixo risco associado, havendo assim a diminuio do risco de variabilidade dos
teores alimentao da usina. Dessa forma, h tambm a possibilidade de planejar o estoque
do material com maior risco associado possibilitando o gerenciamento total do material.

(a) (b)
(c) (d)
(a) (b)
Baixo moderado
risco associado aos
altos teores
Alto risco associado
aos mdios e altos
teores
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
ESR's 1 e 2 ESR's 3 e 4
142

com ESR; (c) sequncia de lavra original com teores; (d) sequncia de lavra com risco associado com teores.2.

6.3.2.3. Pushback 3

Para o sequenciamento do pushback 3 (ms de maro), com risco associado, houve o
desenvolvimento na poro de minrio do fundo da cava e estril nos setores oeste, sul e leste
da cava. A lavra no setor leste no fundo da cava apresenta altos teores e baixo risco associado,
havendo assim a diminuio do risco de variabilidade dos teores alimentao do material na
usina com relao ao desenho original (Tabelas 6.4 e 6.5).

(c) (d)
(a) (b)
Baixo moderado
risco associado aos
altos teores
Alto risco associado
aos altos teores
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
ESR's 1 e 2 ESR's 3 e 4 ESR's 1 e 2 ESR's 3 e 4
143


6.3.2.4. Pushback 4

Para o sequenciamento do pushback 4 (ms de abril), com risco associado, houve o
desenvolvimento na poro de minrio do setor oeste da cava e estril nos setores oeste e sul
da cava. A lavra no setor oeste apresenta baixo, mdio e alto teores e baixo risco associado. A
localizao dos equipamentos e quantidade de massa de minrio disponvel, proveniente dos
meses anteriores, se adequam perfeitamente ao desenvolvimento da sequncia de lavra para o
desenvolvimento do minrio e estril nesse avano de lavra no setor oeste (ver Tabelas 6.4 e
6.5).

(c) (d)
(a) (b)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
144


6.3.2.5. Pushback 5

Para o sequenciamento do pushback 5 (ms de maio), com risco associado, houve
desenvolvimento na poro de minrio do fundo da cava e de estril no setor oeste. A lavra no
setor oeste apresenta baixo e mdio teores e baixo risco associado. O fundo da cava apresenta
super alto teores (>2.0% Cu) com elevado risco associado. De maneira geral, as duas
sequncias de lavra apresentam para esse ms alto risco associado, considerando a ESR
relativa ao material de alto teor que ser alimentado usina (ver Tabelas 6.4 e 6.5).

(c) (d)
(a) (b)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
145


6.3.2.6. Pushback 6

Para o sequenciamento do pushback 6 (ms de junho), com risco associado, houve o
desenvolvimento na poro de minrio do fundo da cava e do setor leste. No estril houve
avano no setor leste e sudoeste. A lavra de minrio no setor leste representa o grande avano
vislumbrado pelo risco associado aos teores (ESR), sendo que nesta poro h significativa
quantidade de minrio de super alto teor (>2%Cu) com baixo risco associado. O fundo da
cava apresenta super alto teores com elevado risco associado. De maneira geral, as duas
sequncias de lavra para este ms apresentam baixo moderado risco associado considerando
a ESR ao material de alto teor que ser alimentado usina (ver Tabelas 6.4 e 6.5), sendo que a
grande vantagem da sequncia com risco associado o desenvolvimento da cava no setor
leste, que apresenta baixo risco de desvio dos teores.

(c) (d)
(a) (b)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
146


6.3.2.7. Pushback 7

Para o sequenciamento do pushback 7 (ms de julho), com risco associado, houve o
desenvolvimento na poro de minrio do fundo da cava e do setor leste. O estril foi
desenvolvido no setor leste e sudeste. De maneira geral, as duas sequncias de lavra para esse
ms apresentam baixo moderado risco associado, considerando a ESR ao material de alto
teor que ser alimentado usina (ver Tabelas 6.4 e 6.5).

(c) (d)
(a) (b)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
147


6.3.2.8. Pushback 8

Para o sequenciamento do pushback 8 (ms de agosto), com risco associado, houve o
desenvolvimento na poro de minrio do fundo da cava, setores leste e oeste. O estril foi
desenvolvido nos setores norte, oeste e sudeste. De maneira geral, as duas sequncias de lavra
para esse ms apresentam baixo moderado risco associado, considerando a ESR ao material
de alto teor que ser alimentado usina (ver Tabelas 6.4 e 6.5).

(c) (d)
(a) (b)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
148


6.3.2.9. Pushback 9

Para o sequenciamento do pushback 9 (ms de setembro), com risco associado, houve
o desenvolvimento na poro de minrio do fundo da cava, setores leste e oeste. O estril foi
desenvolvido nos setores norte, oeste e leste. O desenvolvimento de lavra no setor leste nos
meses anteriores, associado leitura do risco, proporcionou a lavra de uma poro
significativa de minrio com baixo risco associado. Esse setor leste contribuir ainda para a
produo do ms de dezembro com quantidade significativa de minrio de alto teor e, alm
disso, proporcionar uma nova frente de lavra disponvel para o prximo ano. Tambm ir
diminuir a demanda pelo minrio de alto teor no fundo da cava, que apresenta, em grande
parte, alto risco associado (ver Tabelas 6.4 e 6.5). Lembrando que a sequncia com risco
associado mantm as premissas de avano de lavra e o limite de avano nas fases de lavra
definidas pelo plano Life of Mine (plurianual), apresentando assim a mesma etapa de lavra
para o sequenciamento tradicional quanto para o sequenciamento com risco associado. Na
sequncia original, no houve qualquer desenvolvimento significativo para a lavra do minrio
no setor leste, ainda que esse apresente baixo risco e esteja inserido na sequncia de fases para
o desenvolvimento atual da mina.

(c) (d)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
149


6.3.2.10. Pushback 10

Para o sequenciamento do pushback 10 (ms de outubro), com risco associado, houve
o desenvolvimento na poro de minrio do fundo da cava. O estril foi lavrado nos setores
oeste, sul e leste. O desenvolvimento geomtrico da cava no setor leste proporcionou
flexibilidade disponibilidade e blendagem do minrio durante o sequenciamento da
produo, havendo assim um gerenciamento integral do risco e das frentes de lavra
disponveis. Com isso, o risco foi globalmente minimizado neste plano anual de lavra e ainda
aumentou a disponibilidade do minrio no setor leste e fundo da cava para o prximo ano de
produo (ver Tabelas 6.4 e 6.5).

(a)
(b)
(c) (d)
Baixo risco associado aos altos
teores. Desenvolvimento do
setor leste.
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
150


6.3.2.11. Pushback 11

Para o sequenciamento do pushback 11 (ms de novembro), com risco associado,
houve o desenvolvimento na poro de minrio com alto risco no fundo da cava e no setor
oeste. O estril foi desenvolvido nos setores oeste, sul e leste (ver Tabelas 6.4 e 6.5).

(a) (b)
(c)
(d)
teores.
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
151


6.3.2.12. Pushback 12

Para o sequenciamento do pushback 12 (ms de dezembro), com risco associado,
houve o desenvolvimento na poro de minrio com baixo risco nos setores leste e oeste. O
estril foi desenvolvido nos setores oeste e sudeste.

(a) (b)
(c) (d)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
152


6.3.3. Anlise dos Resultados

6.3.3.1. Sequenciamento da Produo

A Tabela 6.4 apresenta os valores de teores e tonelagens referentes ao sequenciamento
de lavra pela abordagem tradicional (ORIG) e o sequenciamento considerando o risco ESR
associado (RISK), no material lavrado. perceptvel a reduo da variabilidade dos teores nas
sequncias de lavra com o risco associado e no valor cumulativo total do plano anual de lavra.
O valor orado (CU-OK LTM) no plano de produo com risco associado ficou mais prximo
da realidade executada (CU- OK STM) durante o processo de lavra, se comparado
abordagem tradicional. No item a seguir, ser feita a anlise dos riscos e anlise financeira.

(a) (b)
(c) (d)
teores.
teores.
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
153

Tabela 6.4: Resultados para ambas metodologias executadas no sequenciamento de lavra.

Pushback
(N e definio da
Sequncia de
Lavra)
Massa
de
Estril
(x1000t)
Massa de
Minrio
(x1000t)
*

Cu (%)
- OK
LTM
(Longo
Prazo)
E-TYPE
Simulaes
(Cu)%
SIM1
(Cu)%
SIM2
(Cu)%
SIM3
(Cu)%
SIM4
(Cu)%
SIM5
(Cu)%
SIM6
(Cu)%
Cu (%)
- OK
STM
(Curto
Prazo)
1_RISK (com risco
ESR associado)
4,133 452 0.95 0.86 0.78 0.98 0.81 0.95 0.79 0.99 0.91
1_ORIG
(tradicional)
3,643 545 1.03 0.87 0.83 1.02 0.75 0.90 0.80 1.08 0.87
2_RISK 2,232 997 1.11 1.08 1.07 1.01 1.01 1.10 1.15 1.20 1.10
2_ORIG 3,432 460 1.04 1.12 1.05 0.98 1.21 0.94 1.05 1.19 1.14
3_RISK 3,698 594 1.31 1.10 1.09 1.26 1.04 1.14 1.11 1.15 1.27
3_ORIG 3,413 646 1.34 1.14 1.05 1.23 1.03 1.31 1.27 1.19 1.24
4_RISK 4,725 214 0.84 0.75 0.59 0.78 0.63 0.76 0.79 0.74 0.76
4_ORIG 3,745 653 1.01 0.93 0.85 0.87 0.77 0.74 1.03 0.86 0.87
5_RISK 4,171 409 1.10 1.01 0.87 1.15 1.15 1.16 1.12 0.97 1.05
5_ORIG 4,285 472 0.88 0.78 0.74 0.87 0.64 0.64 0.71 0.70 0.84
6_RISK 3,743 704 1.01 1.00 0.92 1.11 0.89 1.17 1.23 0.96 1.04
6_ORIG 4,375 693 1.20 1.09 0.90 1.45 0.94 1.04 1.36 1.02 1.13
7_RISK 4,106 902 1.17 1.08 1.00 1.44 1.05 0.90 1.25 1.11 1.11
7_ORIG 4,231 891 1.16 1.00 0.88 1.29 0.89 1.11 1.07 1.08 1.11
8_RISK 4,814 877 0.85 0.83 0.89 0.78 0.80 0.77 0.86 0.94 0.93
8_ORIG 4,714 700 1.08 1.04 1.16 1.00 0.95 0.90 1.15 0.99 1.14
9_RISK 3,730 1,174 1.26 1.29 1.03 1.29 1.22 1.31 1.22 1.39 1.24
9_ORIG 4,090 798 1.19 1.09 0.95 1.25 1.12 1.30 1.05 1.03 1.21
10_RISK 4,249 854 1.06 1.07 1.06 1.09 1.14 1.06 1.21 1.07 0.97
10_ORIG 4,067 900 1.10 1.03 0.98 1.18 0.91 0.95 1.28 1.01 0.98
11_RISK 4,836 268 1.05 0.91 0.80 1.03 0.81 0.76 1.18 1.20 1.03
11_ORIG 4,408 535 0.95 1.00 1.00 1.15 0.89 1.00 1.16 0.98 0.98
12_RISK 4,437 742 1.07 1.04 0.96 1.17 1.02 1.09 0.98 1.06 1.00
12_ORIG 4,329 829 1.21 1.13 1.10 1.04 1.00 1.22 1.08 0.95 1.15
Total Cumulativo -
Risco Associado
48,874 8,187 1.09 1.04 0.97 1.12 1.01 1.05 1.11 1.10 1.06

Total Cumulativo -
Tradicional
48,732 8,122 1.11 1.03 0.96 1.13 0.93 1.03 1.10 1.01 1.06

A Tabela 6.5 apresenta os valores da ESR otimizada para as sequncias de lavra e os
valores de relao estril e minrio por pushback e tambm cumulativo global. Tambm
apresentada a diferena de valor ESR para a sequncia de lavra tradicional e com risco
associado. perceptvel a reduo efetiva da funo objetivo global (18%) no
sequenciamento da produo, considerando o risco associado.

*
>0.45% Cu, alimentao usina
154

Tabela 6.5: Resultados para ambas metodologias executadas no sequenciamento de lavra.

Pushback
(N e definio da Sequncia de
Lavra)
ESR Annealing
(categoria de risco com valor
da Equao 4.10)
REM por
Pushback
(Minrio Total)
REM Global
Cumulativa
(Minrio Total)
Diferena Relativa
ESR nos pushbacks
(Risco / Original)
1_RISK (com risco ESR associado) Risco Baixo (0.070) 6.0 6.0
-30%
1_ORIG (tradicional) Risco Moderado-Baixo (0.100) 4.3 4.3
2_RISK Risco Moderado-Baixo (0.123) 1.8 3.3
-13%
2_ORIG Risco Moderado-Baixo (0.141) 5.0 4.6
-27%
4_RISK Risco Baixo (0.079) 7.9 4.5
13%
4_ORIG Risco Baixo (0.070) 3.5 4.2
5_RISK Risco Moderado-Alto (0.201) 5.9 4.7
5%
5_ORIG Risco Moderado-Alto (0.190) 5.0 4.4
-15%
23%
-23%
-52%
-49%
10_ORIG Risco Moderado-Alto (0.188) 3.0 4.0
11_RISK Risco Moderado-Alto (0.203) 9.2 4.2
52%
-8%
12_ORIG Risco Baixo (0.078) 4.1 4.1
Total Cumulativo - Risco Associado Risco Moderado-Baixo (0.103) 4.2 4.2
-18%
Total Cumulativo - Tradicional Risco Moderado-Baixo (0.125) 4.1 4.1

Nas Figuras 6.25 e 6.26, verifica-se os desenhos finais das cavas para o plano anual
de lavra do Depsito Sequeirinho. De acordo com as Tabelas resumo 6.4 e 6.5, foram
mantidas todas as premissas operacionais com relao ao volume de material lavrado nos
pushbacks, restries geotcnicas e alimentao de minrio na usina. Com o auxilio do
modelo de risco (ESR) otimizado no sequenciamento da produo, houve o gerenciamento
dos riscos associados no cumprimento das metas e aumento da confiana relativo aos valores
de teores lavrados (sequenciamento e blendagem). No sequenciamento original de lavra, alm
155

de no haver a identificao dos riscos associados aos teores usados no planejamento de lavra,
esse no disponibiliza frentes alternativas de produo de minrio sem o desenvolvimento do
setor leste, fazendo com que o plano de produo da mina fique extremamente dependente do
ltimo banco (que pode apresentar problemas com drenagem) no fundo da cava para produo
de altos teores. No sequenciamento com risco associado, foi possvel prever o risco associado
aos teores disponveis no fundo da cava e desenvolver o setor leste ainda dentro da mesma
fase operacional, proporcionando flexibilidade nas frentes de lavra para produo de minrio
e a no dependncia extrema do fundo da cava, j que existe uma quantidade significativa de
minrio nos bancos 8, 24, 40 e 56, todos estes com acesso irrestrito. Outra grande vantagem
foi a liberao do fundo da cava (banco -24) para os perodos chuvosos, no havendo
necessidade operacional de produo de minrio de alto teor.
De maneira geral, a metodologia proposta aplicada, considerando o risco associado,
extremamente operacional e representa uma significativa contribuio no sequenciamento da
produo mineral com o uso de simulao estocstica na determinao, entendimento e
minimizao dos riscos no desvio de metas.

Figura 6.25: Cava final referente sequncia de lavra original (metodologia tradicional) aplicada.

136
120
136
120
120
184
-24
-8
8
40
156

Figura 6.26: Cava final referente sequncia de lavra com risco associado aplicado.

Nas Figuras 6.27a;b;c;d, so apresentadas as macro mudanas nos sequenciamentos
quadrimestrais do plano de lavra anual com risco associado, pushbacks 1 a 4.

136
152
136
120
184

-24
-8
8
24
40
56
157

Figura 6.27: Pushbacks 1 a 4 (a) sequncia de lavra original com ESR; (b) sequncia de lavra com risco
associado com ESR; (c) sequncia de lavra original com teores; (d) sequncia de lavra com risco associado com
teores.

Nas Figuras 6.28a;b;c;d, so apresentadas as macro mudanas nos sequenciamentos do
plano de lavra anual com risco associado, pushbacks 5 a 8.

(a) (b)
(c)
(d)
(a) (b)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
158

teores.

Nas Figuras 6.29a;b;c;d, so apresentadas as macro mudanas nos sequenciamentos do
plano de lavra anual com risco associado, pushbacks 9 a 12.

teores.

(c) (d)
(a) (b)
(c) (d)
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
Estril Baixo
Teor
Alto
Teor
159

Na Figura 6.30, apresentado o perodo do sequenciamento de lavra assim como a
colorao referente ao perodo de lavra, mapa da Figura 6.31. Nas Figuras 6.31a,b, so
apresentados os sequenciamentos dos avanos de lavra (pushbacks) usando a abordagem
tradicional e com risco associado. Nessas, possvel analisar as principais mudanas relativas
s frentes de lavra (perodo e localizao) e desenvolvimento da mina, ficando evidente a
possibilidade de alternativas no sequenciamento e gerenciamento da qualidade do minrio nas
frentes de lavra.

Figura 6.30: Intervalo e colorao da sequncia de lavra (Figura 6.31a,b).

Figura 6.31: (a) Sequncia de lavra (pushbacks) relativo abordagem tradicional; (b) sequncia de lavra
(pushbacks) relativo abordagem com risco associado.

6.3.3.2. Anlise de Risco

No desenvolvimento desse item, so apresentados os perfis de risco para ambas
abordagens de sequenciamento de lavra. Os resultados da Figura 6.32, referente abordagem
tradicional para o desenvolvimento da produo, apresentam moderada variabilidade relativo
aos avanos de lavra, com a presena de risco significativo para o cumprimento das metas no
(a) (b)
160

sequenciamento dos pushbacks 3, 4, 5 e 12, j que o modelo qualitativo de longo prazo (CU -
OK LT) apresenta valores fora do espectro de variabilidade dos teores ou prximos dos
valores mximos de teores de cobre simulados. De fato, os valores de longo prazo planejados
no foram cumpridos, j que possvel verificar para esses pushbacks que o modelo de teores
executado (CU - OK ST) ficou com valores abaixo do resultado planejado e dentro do
espectro de variabilidade previsto pelas simulaes. A abordagem tradicional do
sequenciamento de lavra, relativa ao resultado cumulativo total do teor planejado (CU - OK
LT), apresentou valor de 1,11 % Cu. O valor de teor executado (CU - OK ST) para esse
desenvolvimento de produo de 1,06% Cu, apresentando diferena de -4,7% relativo ao
planejado. A mdia de teores (E-Type) das simulaes estocsticas foi de 1,03% Cu,
apresentando diferena de -7,8% com relao ao modelo planejado (CU - OK LT) e de -2,9%
com relao ao modelo de curto prazo (CU - OK ST) executado. Os valores mnimo e
mximo dos teores previstos para o sequenciamento tradicional de lavra, atravs das
simulaes estocsticas, so de 0,93 e 1,13% Cu, ou seja, apresentam moderado risco do
cumprimento do plano desenvolvido para os valores de teor de cobre (1,11%) de longo prazo
(CU - OK LT) pois o valor mdio est muito prximo do valor mximo simulado, que a
base de clculo para definio do cronograma de produo de concentrado e base
oramentria. No item 6.3.3.3, ser analisado o contexto econmico financeiro do
sequenciamento de lavra desenvolvido pela abordagem tradicional.

Figura 6.32: Valor mdio dos teores para cada sequncia de lavra (pushbacks) referente abordagem tradicional.
0,400
0,600
0,800
1,000
1,200
1,400
1,600
1,800
1
_
O
R
I
G
2
_
O
R
I
G
3
_
O
R
I
G
4
_
O
R
I
G
5
_
O
R
I
G
6
_
O
R
I
G
7
_
O
R
I
G
8
_
O
R
I
G
9
_
O
R
I
G
1
0
_
O
R
I
G
1
1
_
O
R
I
G
1
2
_
O
R
I
G
T
o
t
a
l

C
u
m
u
l
a
t
i
v
o

-
O
r
i
g
i
n
a
l
C
u

(
%
)
Pushback
Profile de Anlise de Risco dos Teores de Cobre - Seqncia de Lavra Original
CU - OK LT E-TYPE SIM1 SIM2 SIM3 SIM4 SIM5 SIM6 CU - OK ST
161

A anlise dos resultados na Figura 6.33, referente abordagem com risco associado
para o desenvolvimento da produo, apresenta moderada a baixa variabilidade relativo aos
avanos de lavra, ainda com risco significativo para o cumprimento das metas no
sequenciamento dos pushbacks 3 e 4, j que o modelo qualitativo de longo prazo (CU - OK
LT) apresenta valores fora do espectro de variabilidade dos teores de cobre simulados. De
fato, os valores de longo prazo planejados no foram cumpridos para estes pushbacks, j que
possvel verificar que o modelo de teores executado (CU - OK ST) ficou com valores abaixo
do resultado planejado e dentro do espectro de variabilidade previsto pelas simulaes. A
abordagem com risco associado para o sequenciamento de lavra, relativo ao resultado
cumulativo total do teor planejado (CU - OK LT), apresentou valor de 1,09 % Cu. O valor de
teor executado (CU - OK ST) para esse desenvolvimento de produo de 1,06% Cu,
apresentando diferena de -2,2% relativo ao planejado. A mdia de teores (E-Type) das
simulaes estocsticas foi de 1,04% Cu, apresentando diferena de -4,2% com relao ao
modelo planejado (CU - OK LT) e de -2,0% com relao ao modelo de curto prazo
executado. Os valores mnimo e mximo dos teores previstos para o sequenciamento de lavra
com risco associado, atravs das simulaes estocsticas, so 0,97 e 1,12% Cu. Dessa
maneira, o sequenciamento apresenta moderado a baixo risco do cumprimento do plano
desenvolvido para os valores de teor de cobre de longo prazo (CU - OK LT), havendo ainda
uma reduo de 0,05% Cu (-33% de diferena relativa) no espectro total de variabilidade
comparado abordagem tradicional. No item 6.3.3.3 ser analisado o contexto econmico
financeiro do sequenciamento de lavra desenvolvido pela abordagem com risco associado.

162

Figura 6.33: Valor mdio dos teores para cada sequncia de lavra (pushbacks) da abordagem com risco
associado.

Dado que os teores e destinos do material no processo de produo podem variar
significantemente para cada sequncia de lavra (pushback), foi realizado o procedimento de
padronizao dos perfis de risco para os teores de cobre para cada pushback. Assim, pode-se
verificar com clareza as principais mudanas e diferenas entre as abordagens aplicadas, ou
seja, para cada pushback p e para as simulaes s, o risco padro esperado definido como:

(6.1)

onde
a meta definida pelo modelo de longo prazo (CU - OK LT) em cada pushback p e
o valor para as simulaes s definidas para cada realizao das simulaes de teores,
em cada pushback p.
Nessa anlise, os perfis de risco so definidos para o risco padro (eq. 6.1) referentes
s simulaes em cada sequncia de lavra desenvolvida, e tambm o valor cumulativo total.
Na Figura 6.34, perceptvel a reduo do risco relativo sequncia de lavra com risco
associado. De forma geral, esta apresenta menor erro associado aos teores e metas definidas
para o plano anual de lavra. O espectro de erro cumulativo total possvel para a abordagem de
sequenciamento tradicional, considerando os modelos simulados para anlise de variabilidade
dessa sequncia, entre [-7%, 20%], com erro mdio esperado de 8% com relao meta
0,400
0,600
0,800
1,000
1,200
1,400
1,600
1,800
1
_
R
I
S
K
2
_
R
I
S
K
3
_
R
I
S
K
4
_
R
I
S
K
5
_
R
I
S
K
6
_
R
I
S
K
7
_
R
I
S
K
8
_
R
I
S
K
9
_
R
I
S
K
1
0
_
R
I
S
K
1
1
_
R
I
S
K
1
2
_
R
I
S
K
T
o
t
a
l

C
u
m
u
l
a
t
i
v
o

-
R
i
s
k
C
u

(
%
)
Pushback
Profile de Anlise de Risco dos Teores de Cobre - Seqncia de Lavra com Risco Associado
CU - OK LT E-TYPE SIM1 SIM2 SIM3 SIM4 SIM5 SIM6 CU - OK ST
163

definida. A abordagem com risco associado apresenta espectro de erro entre [-3%, 12%], com
erro mdio esperado de 4% com relao meta definida.
Dessa maneira, possvel perceber a capacidade de reduo dos erros associados com
o uso da ESR otimizada no desenvolvimento de mina e no sequenciamento da produo.
Tambm, so apresentados os erros reais mdios executados por ambas abordagens, quando
comparadas realidade executada.

Figura 6.34: Anlise de risco padro da sequncia de lavra (pushbacks) para ambas metodologias aplicadas.

Na Figura 6.35, que apresenta o risco padro executado (risco da sequncia de lavra j
realizada, comparada por ambas abordagens) considerando a varivel de cobre do modelo de
curto prazo (CU - OK ST) comparado meta definida pelo modelo de longo prazo (CU - OK
LT), possvel analisar a real diferena entre o modelo previsto como base qualitativa e
oramentria no desenvolvimento do ciclo mineiro e o modelo real executado no processo de
lavra, considerando ambas abordagens de sequenciamento de produo. perceptvel a
reduo do erro da abordagem com risco associado nos pushbacks desenvolvidos,
minimizando assim os possveis impactos financeiros causados no processo de lavra e usina,
relacionado variabilidade dos teores. Globalmente, para o plano anual de lavra, a diferena
entre os teores previstos e realizados ficou em 2% para a sequncia com risco associado e 5%
sem considerar o risco. Os reais impacto financeiros so analisados no item 6.3.3.3,
considerando os parmetros econmicos, taxas e produo de concentrado na composio do
fluxo de caixa descontado (VPL).
-3%
12%
-7%
20%
4%
8%
-60%
-30%
0%
30%
60%
1 2 3 4 5 6 7 8 9 10 11 12 Total Cumulativo
D
i
f
e
r
e
n
a

P
a
d
r
o

d
e

T
e
o
r

(
%
)
Pushback
Profile de Anlise de Risco Padro Esperado
Min Risco Padro pela Abordagem Estocstica Max Risco Padro pela Abordagem Estocstica
Min Risco Padro pela Abordagem Tradicional Max Risco Padro pela Abordagem Tradicional
Risco Padro Esperado pela Abordagem Estocstica Risco Padro Esperado pela Abordagem Tradicional
164

Figura 6.35: Anlise de risco padro executado da sequncia de lavra (pushbacks) para ambas metodologias
aplicadas.

6.3.3.3. Anlise Financeira

A Figura 6.36 e as Tabelas 6.6 e 6.7 apresentam a avaliao de risco do fluxo de caixa
descontado (VPL). O fluxo de caixa total previsto usando a abordagem tradicional de 149,1
MUS$ e com risco associado de 146,2 MUS$, sendo que os valores simulados apresentam
espectro de variao entre [86,6; 175,6] MUS$ para abordagem tradicional e [102,6; 170,1]
MUS$ para abordagem com o risco associado. Para o espectro econmico de variao, a
abordagem tradicional apresenta intervalo de variao total de 89 MUS$ contra 67,5 MUS$
da abordagem com risco associado, apresentando menor espectro de variao. Os valores
esperados para abordagem tradicional e com risco associado foram de 125,6 e 133,6 MUS$,
respectivamente. A diferena entre o modelo previsto e o valor esperado para a sequncia de
lavra atravs da abordagem tradicional de 19% e para os valores considerando a sequncia
com risco associado de 9%, ou seja, a diferena esperada passaria de 23,5 para 12,6 MUS$
com relao ao modelo previsto (OK) em cada sequncia, respectivamente. Com a reduo da
diferena entre o modelo financeiro previsto (OK) e esperado (E-Type) para a abordagem
com risco associado, apesar do valor VPL do modelo previsto ser menor relativo abordagem
2%
5%
-30%
-20%
-10%
0%
10%
20%
30%
1 2 3 4 5 6 7 8 9 10 11 12 Total Cumulativo
D
i
f
e
r
e
n
a

P
a
d
r
o

d
e

T
e
o
r

(
%
)
Pushback
Profilede Anlise de Risco Padro Executado - Cu (LTM ) / Cu (STM)
Diferena Executada Cu LT / Cu ST - Abordagem Estocstica com Risco Associado
Diferena Executada Cu LT / Cu ST - Abordagem Tradicional sem Risco Associado
165

tradicional (caso base), o modelo esperado apresenta um valor maior de VPL total de projeto
de 6,4%.
Na Figura 6.37 e na Tabela 6.7 so comparados os modelos previsto (CU - OK LT),
esperado (E-Type) e executado (CU-OK ST), referentes aos valores de fluxo de caixa
descontado (VPL) para ambas as abordagens de sequenciamento de produo. Para a
abordagem tradicional, o VPL previsto de 149,1 MUS$, o esperado de 125,6 MUS$ e o
executado de 135,5 MUS$. Dessa maneira, os erros reais com relao aos modelos previsto
e esperado, comparados ao modelo executado, so de 10% e -7,3%, respectivamente. Para a
abordagem com risco associado o VPL previsto de 146,2 MUS$, o esperado de 133,6
MUS$ e o executado de 139,6 MUS$. Os erros reais relacionados aos modelos previsto e
esperado para essa sequncia, referentes ao modelo executado, so de 4,7% e -4,3%,
respectivamente. H assim, uma reduo significativa dos riscos associados e maior confiana
com relao s metas definidas. O valor de VPL executado atravs da sequncia de lavra com
risco associado 3% maior do que com a abordagem tradicional.

Figura 6.36: Anlise de risco do fluxo de caixa estimado da sequncia de lavra (pushbacks) para ambas
metodologias aplicadas.
0
20.000.000
40.000.000
60.000.000
80.000.000
100.000.000
120.000.000
140.000.000
160.000.000
180.000.000
1 2 3 4 5 6 7 8 9 10 11 12
U
S
$
PUSHBACK
Fluxo de Caixa Descontado Cumulativo (DCF)
OK - Seqncia Original OK - Seqncia Risco E-Type - Seqncia Original
E-Type - Seqncia Risco Min - Seqncia Original Max - Seqncia Original
Min - Seqncia Risco Max - Seqncia Risco
166

Figura 6.37: Anlise de risco do fluxo de caixa executado da sequncia de lavra (pushbacks) para ambas
metodologias aplicadas.

Tabela 6.6: Fluxo de caixa descontado (US$ x 10) para as sequncias de lavra por ambas metodologias.
Sequncia
Fluxo de Caixa Descontado (VPL / US$ x 10)
Seq.
1
Seq.
2
Seq.
3
Seq.
4
Seq.
5
Seq.
6
Seq.
7
Seq.
8
Seq.
9
Seq.
10
Seq.
11
Seq.
12
OK - Sequncia Original 8.5 15.1 31.8 42.7 46.8 62.1 80.6 91.4 108.9 126.8 131.8 149.1
OK - Sequncia Risco 4.1 28.1 42.4 42.6 48.5 60.6 80.3 88.9 120.0 133.3 134.5 146.2
E-Type - Sequncia Original 5.5 13.4 25.9 35.0 37.5 50.2 63.9 73.8 88.6 104.4 110.4 125.6
E-Type - Sequncia Risco 2.7 25.7 35.7 35.3 39.9 51.8 68.8 76.7 109.0 122.7 122.7 133.6
Min - Sequncia Original 3.2 8.2 18.3 23.2 23.6 31.7 41.9 48.6 59.8 72.3 76.4 86.6
Max - Sequncia Original 9.5 18.8 35.0 46.3 50.3 71.3 93.5 105.9 126.2 149.4 158.0 175.6
Min - Sequncia Risco 1.5 22.0 30.8 29.2 31.9 41.2 52.8 59.1 81.4 94.7 93.4 102.6
Max - Sequncia Risco 4.7 30.1 41.1 41.0 47.6 65.0 88.6 99.7 135.8 153.3 155.9 170.1
Real Executado - Sequncia Original 5.5 13.7 28.4 36.2 39.7 53.3 70.1 82.1 100.1 114.3 120.0 135.5
Real Executado - Sequncia Risco 3.5 27.1 40.5 40.2 45.3 58.3 76.0 87.1 117.5 128.5 129.6 139.6

A Tabela 6.7 apresenta os resultados comparativos referentes aos principais modelos
estimados e executados. perceptvel os benefcios relativo ao sequnciamento de lavra com
risco associado.

0
20.000.000
40.000.000
60.000.000
80.000.000
100.000.000
120.000.000
140.000.000
160.000.000
1 2 3 4 5 6 7 8 9 10 11 12
U
S
$
PUSHBACK
Fluxo de Caixa Descontado Cumulativo (DCF)
Planejado x Executado
OK - Seqncia Original OK - Seqncia Risco
E-Type - Seqncia Original E-Type - Seqncia Risco
REAL EXECUTADO - Seqncia Original REAL EXECUTADO - Seqncia Risco
167

Tabela 6.7: Resultados (VPL em US$ x 10) e diferenas (erro relativo) entre o modelo estimado (krigagem
ordinria, base oramentria), modelos simulados e o modelo real para ambas metodologias.

Modelo - Pushback VPL (US$ x 10) Diferena Modelo/OK

1
OK - Sequncia Original 149.1 -
E-Type - Sequncia Original 125.6 -19%
Min - Sequncia Original 86.6 -72%
Max - Sequncia Original 175.6 15%
Real Executado - Sequncia Original 135.5 -10%

1
OK - Sequncia Risco 146.2 -
E-Type - Sequncia Risco 133.6 -9%
Min - Sequncia Risco 102.6 -42%
Max - Sequncia Risco 170.1 14%
Real Executado - Sequncia Risco 139.6 -5%

6.4. COMENTRIOS FINAIS

O Captulo 6 apresentou uma aplicao da frmula de escala de risco (ESR), otimizada
atravs de simulao annealing, para a definio da sequncia operacional de produo anual
com risco associado. Inicialmente, foi desenvolvida a otimizao de cava e posteriormente a
anlise de risco das cavas aninhadas atravs da variao do preo de cobre e provvel
sequncia de produo. Tambm foi analisado o risco na definio da cava final e da possvel
cava final operacional, assim como a anlise de risco nos valores definidos atravs das
diversas cavas aninhadas que podem ser usados como direcionadores de produo de longo
prazo.
O captulo comeou descrevendo o desenvolvimento de uma programao realizada
atravs de um caso base para que a anlise de risco fosse avaliada no processo de otimizao e
possvel sequncia de produo plurianual (cavas aninhadas). Os dados tcnicos e econmicos
utilizados para construir o cronograma de otimizao de cava e sequenciamento de lavra
operacional foram baseados em valores proporcionais aos reais, com modificaes devido a
confidencialidade das informaes.
Uma abordagem tradicional de sequenciamento de lavra operacional foi desenvolvida
levando em considerao todas as premissas tcnicas necessrias para a operacionalizao do
plano de produo, assim como uma abordagem com o risco associado. A anlise de risco foi
168

realizada em ambas as sequncias operacionais de lavra para quantificar o impacto da
incerteza dos teores nos resultados da programao de produo anual. Esta anlise de risco
revelou uma leve superestimativa na tonelagem de minrio previsto e VPL executado
relacionado aplicao da sequncia tradicional. O VPL executado para a abordagem
tradicional foi de 10% a menos do que a previso dada pela anlise econmica inicial baseado
no modelo de teores estimado. Apesar da anlise de risco da sequncia com risco associado
ter apresentado valor de VPL executado de 5% a menos do que o valor previsto inicial, essa
sequncia confirmou o melhor desempenho econmico na execuo do cronograma de
produo.
Os resultados mostraram um potencial de melhoria na previsibilidade dos teores e
valor do projeto. Tambm, foi verificado a possibilidade de melhor gerenciamento dos riscos
inerentes variabilidade dos teores. Lembrando que a metodologia apresentada no
corresponde a uma soluo tima, ou seja, as aes de planejamento e desenvolvimento
operacional da produo, relacionado incerteza dos teores, ainda dependem da tomada de
deciso e da aplicabilidade de algumas situaes intrnsecas operacionalizao da sequncia
de lavra. Essa concluso refora a viso de que a programao de produo s pode ser
verdadeiramente otimizada quando a incerteza geolgica integrada no processo de
otimizao e sequenciamento operacional ao mesmo tempo, o que atualmente invivel.
Os resultados obtidos nessa aplicao indicam que a abordagem proposta tem o
potencial de melhorar consideravelmente a situao econmica e as previses para o
gerenciamento no desenvolvimento de mina, quando comparada prtica de programao
tradicional, fornecendo um cronograma que minimiza a chance de desvio das metas de teores
de cobre na usina de beneficiamento e do produto final.

169

Captulo 7

7. CONCLUSES E RECOMENDAES

O objetivo dessa dissertao foi desenvolver uma abordagem que permita que a
incerteza de teores modelada possa efetivamente ser usada para reduzir o desvio das metas de
produo e alimentao da usina, atravs do sequenciamento de lavra, resultando em
cronograma de produo com risco quantificado, minimizado e gerenciado. Para atingir esse
objetivo foi necessrio:

(i) aplicar um mtodo de simulao condicional de maneira a quantificar a
incerteza dos teores no depsito Sequeirinho;

(ii) validar os modelos equiprovveis simulados atravs de reconciliao com o
modelo real produzido com os furos exaustivos de desmonte (blast holes);

(iii) aplicar a formulao para o sequenciamento de lavra levando em considerao
a escala de risco ESR otimizada (annealing);

(iv) comparar a abordagem de sequenciamento de lavra com o risco associado s
prticas tradicionais, em termos operacionais e econmicos.

7.1. CONCLUSES

Em minas a cu aberto, a necessidade de avaliar e gerenciar os riscos dos teores para a
avaliao do projeto e tomada de deciso na programao de produo faz com que a
incerteza dos teores seja levada em considerao no processo de sequenciamento de lavra. A
otimizao de cava e o sequenciamento de lavra tradicional baseado em um nico modelo
estimado da jazida. Na maioria dos casos, a sensibilidade s variaes de teores relacionada
e testada s mudanas globais. Dessa forma, tambm devido natureza heterognea da
maioria das jazidas e da natureza no-linear dos algoritmos que emulam os processos de
170

minerao, muitas anlises efetuadas globalmente no ciclo mineiro podem no ser
representativas realidade. Apesar do enorme impacto que a incerteza dos teores pode causar
no projeto, a anlise e otimizao do desempenho econmico em uma mina em operao so
limitados pelo desenvolvimento de mtodos que permitam rpida e eficiente avaliao
quantitativa da incerteza dos teores e uso eficaz de modelos de incerteza no processo de
otimizao e sequenciamento de lavra.
A contribuio da abordagem baseada no risco, que pode ser usada para a otimizao
da programao de produo de minas a cu aberto, representa a simplificao do uso de
modelos simulados no gerenciamento do risco no processo mineiro. A abordagem levou em
considerao modelos estocasticamente simulados da distribuio de teores no depsito,
assim como os conceitos de erro relativo (desvio de metas) e coeficiente de variao
condicional (variabilidade dos teores). Alm da possibilidade de minimizar os riscos de
desvio das metas de produo, devido melhor previsibilidade dos teores, a abordagem
permitiu um aumento do valor econmico da sequncia de lavra.
Dois componentes principais da abordagem foram de suma importncia para a
validade prtica e resultados obtidos:
(i) primeiramente, foram realizadas simulaes condicionais da varivel em
estudo utilizadas na composio da funo-objetivo. Essas simulaes foram devidamente
validadas com os valores reais executados durante o processo de operao e desenvolvimento
da mina, que representam de fato a variabilidade real do minrio, estando aptas a serem
utilizadas como realizaes equiprovveis representativas do depsito no gerenciamento do
risco;
(ii) a seguir, foi desenvolvida uma formulao para definio do risco (ESR) no
planejamento de longo e mdio prazo de produo, apresentada no Captulo 4, visando reduzir
o risco de desvio de metas atravs do sequenciamento iterativo de lavra ou programao
linear (no utilizada nesse estudo). Dessa maneira, para cada modelo de simulao, possvel
derivar um modelo ESR que representa uma soluo tima do risco minimizado.
Considerando todos os modelos simulados, possvel derivar um nico modelo ESR timo
dentro de um domnio de soluo comum. Um quadro geral para o sequenciamento de
produo anual na Cava Sequeirinho foi apresentado atravs da gesto eficaz dos riscos,
metas, quantidades de metal e restries operacionais. Isso possvel atravs da busca de uma
evoluo lgica espacialmente restrita s zonas de trabalho e premissas operacionais
utilizadas, representando uma contribuio significativa na gesto operacional dos riscos em
minas a cu aberto, comprovados atravs dos resultados prticos.
171

A aplicao da abordagem baseada no risco e sequenciamento da programao de
produo foi demonstrado em dados exploratrios e operacionais na mina de cobre da Cava
Sequeirinho, no Norte do Brasil.
A aplicao foi dividida em duas partes e foram apresentadas nos captulos 5 e 6. No
captulo 5, foi utilizado o mtodo de simulao condicional por Bandas Rotativas, produzindo
uma srie (30 simulaes) de modelos equiprovveis da distribuio espacial dos teores. Esses
modelos foram usados para avaliar a incerteza nos recursos minerais disponveis in situ,
sendo comparado com o modelo de recursos atualmente em uso na mina e destacando a
contribuio da anlise de risco. O tempo executado no processo de simulao, ps
processamento e anlise dos resultados (52h, 4 processadores de 1Ghz) pode ser considerado
dentro dos limites aceitveis para permitir a sua utilizao rotineira na operao do Complexo
Sossego, assim como apresentado no item 5.2.3. A validao das simulaes mostrou que
essas reproduziram os momentos de primeira e segunda ordem estatstica para o depsito.
Alm disso, a magnitude das oscilaes variou de acordo com a classificao de recursos nos
domnios medido e indicado, definidos previamente atravs da metodologia tradicional.
As simulaes mostraram um intervalo relativamente baixo de variao de massa em
torno do valor esperado das simulaes (E-type) de 277,7Mt, variando em torno de -1,02% e
1,73%. Para as categorias de recursos individuais, as simulaes apresentaram um aumento
dos intervalos de variao em torno da tonelagem e teor esperados para o recurso indicado e
pouca variao para os recursos medidos. Dessa forma, percebeu-se que a abordagem
tradicional com o uso de somente parmetros geomtricos, sem o uso de uma ferramenta
auxiliar para quantificao da incerteza, pode induzir o profissional a atribuir um maior grau
de confiana nos recursos minerais em reas onde a incerteza real indica um nvel de
confiana menor. Atravs do processo de reconciliao executado, foi validada a aplicao da
abordagem de simulao estocstica condicional para a anlise de comportamento espacial
dos teores, acessando a variabilidade local das reservas de minrio, resultando em um melhor
entendimento do comportamento estatstico do depsito e variabilidade dos teores.
No Captulo 6, foi feita a anlise de risco de projeto atravs do processo de otimizao
e cavas aninhadas, aplicados nos diversos modelos simulados e no modelo tradicional.
Posteriormente, houve a aplicao da formulao da escala de risco (ESR) no sequenciamento
operacional anual de lavra. O captulo comeou descrevendo a aplicao do algoritmo de
otimizao Lerchs-Grossmann na anlise de risco de projeto. Foi realizado o desenvolvimento
de uma programao de produo atravs de um caso base, para que a anlise de risco fosse
172

avaliada na possvel sequncia de produo (cavas aninhadas), mostrando que a alimentao
dos teores de minrio da usina no ser atingida em todas as possveis etapas da programao.
Tambm, foi analisado o risco na definio da cava final.
A ESR otimizada foi aplicada atravs de simulao annealing na definio da
sequncia operacional anual de produo com risco associado. Uma abordagem tradicional de
sequenciamento de lavra operacional foi desenvolvida levando em considerao todas as
premissas tcnicas necessrias, assim como a abordagem com o risco associado. Foi realizada
a anlise de risco em ambas as sequncias operacionais de lavra para quantificar o impacto da
incerteza dos teores nos resultados da programao de produo, mostrando uma leve
superestimativa na tonelagem de minrio previsto e VPL executado, relacionado aplicao
da seqncia tradicional. O VPL executado para a abordagem tradicional foi de 10% a menos
do que a previso dada pela anlise econmica inicial baseado no modelo de teores estimado.
A anlise de risco da sequncia com risco confirmou o melhor desempenho econmico e
aderncia na execuo do cronograma de produo. Os resultados mostraram um potencial de
melhoria na previsibilidade dos teores e valor do projeto e, tambm, um melhor
gerenciamento dos riscos inerentes variabilidade dos teores. Os resultados obtidos nessa
aplicao indicam que a abordagem proposta tem o potencial de melhorar consideravelmente
as previses econmicas e o gerenciamento no desenvolvimento de mina, quando comparado
prtica de programao tradicional. O resultado no s indicou um potencial de aumento no
valor da mina, como tambm forneceu um cronograma que minimiza a chance de desvio das
metas de teores de cobre na usina de beneficiamento.

7.2. RECOMENDAES

A abordagem do sequenciamento de lavra, baseado no risco da variabilidade dos
teores, geral no sentido de que qualquer combinao de modelos de incerteza pode ser
integrada formulao da funo objetivo, incluindo vrios atributos correlacionados, assim
como parmetros de qualidade do minrio, recuperao e os domnios geolgicos. Uma
importante fonte de incerteza geolgica diz respeito interpretao geolgica, que leva em
considerao a definio geomtrica da jazida. Esse tipo particular de incerteza pode ser
quantificada por mtodos de simulao categrica (simulao sequencial dos indicadores,
multiponto, plurigaussiana) e no foram utilizadas nesse estudo.
173

Apesar do estudo apresentado anteriormente ter sido realizado somente com a
utilizao da varivel cobre, a funo objetivo possibilita o uso de vrios elementos, havendo
a possibilidade de gerao de uma matriz nica da ESR, considerando mltiplos parmetros
que podem ser teis para um amplo gerenciamento dos riscos. Entretanto, com o aumento do
nmero de variveis, a demanda computacional ser maior e poder inviabilizar a aplicao
em mbito operacional.
A formulao ESR leva em considerao valores de CCV como fator de ponderao
na formulao da funo objetivo, indicando melhores definies da ESR para o risco
provvel, j que esse leva em considerao a representatividade da mdia dos valores
(variabilidade) usados no clculo de erro relativo. Entretanto, poderiam ser testadas outras
abordagens utilizando diferentes ferramentas de medies de incerteza, tambm com a
finalidade de melhoramento na definio dos valores ESR. Tambm, recomenda-se testar a
abordagem para diferentes operaes e tipos de bens minerais e de depsitos. Outro fator
importante a ser considerado que a definio das categorias ESR so decididas pelo
avaliador do depsito e podem ser variadas de acordo com a experincia e entendimento sobre
o depsito. Classes diferentes de valores ESR poderiam ser testadas para anlise de
sensibilidade mudana dos valores.
Com relao ao processo de simulao annealing, a imagem de treinamento considera
os teores mdios das simulaes para definio das categorias ESR e no a mdia das
categorias ESR para cada simulao. Dessa forma, poderia-se testar o efeito desse modelo e-
type nas simulaes referentes aos teores mdios s categorias mdias.
O sequenciamento de lavra foi executado iterativamente, no representando de fato
uma soluo tima na programao qualitativa e geomtrica da sequncia de produo. Dessa
maneira, recomenda-se testar programao linear ou combinatria associados ao risco no
sequenciamento de lavra, para obteno efetiva de uma sequncia tima de lavra com risco
minimizado.

174

REFERNCIAS BIBLIOGRFICAS

Abichequer, L.A., 2010. Simulao Geoestatstica Aplicada ao Planejamento de Pilhas de
Homogeneizao - um Estudo de Caso de Reconciliao. Dissertao de Mestrado.
Programa de Ps-Graduao em Engenharia de Minas, Metalrgica e de Materiais (PPGEM),
Universidade Federal do Rio Grande do Sul, 80p.

Alabert, F.G., 1987. The practice of fast conditional simulations through the LU
decomposition of the covariance matrix, Mathematical Geology. Volume 19, Number 5,
pp 369-386.

Alabert, F.G., 1987. Stochastic imaging of spatial distributions using hard and soft
information. MSc thesis, Stanford University, Stanford, 197p.

Albor, F. R. C., and Dimitrakopoulos, R., 2009. Stochastic Mine Design Optimization
based on Simulated Annealing: Pit limits, production schedules, multiple orebody
scenarios and sensitivity analysis. COSMO Research Report, No 3, pp 1-28.

Alfaro, M., (1979). Etude de la robustesse des simulations de fonctions alatoires.
Doctoral thesis, E.N.S. des Mines de Paris.

Anderson, T.W., 1984. An Introduction to Multivariate Statistical Analysis. John Wiley &
Sons, New York. 704p.

Barbaro, R.W. and Ramani, R.V., 1986. Generalized multiperiod MIP model for
production scheduling and processing facilities selection and location, Mining
Engineering. February 1986, pp 107-114.

Bartlett, M.S., 1966. An introduction to stochastic processes, with special reference to
methods and applications. Cambridge University Press, London, 362p.

Bonato, F.S., 2000. Planejamento de Lavra com Auxlio de Simulao Geoestatstica.
Universidade Federal do Rio Grande do Sul, Disssertao de Mestrado, 87p.

Borgman, L., Taheri, M. and Hagan, R., 1984. Three-dimensional, frequency-domain
simulations of geological variables. Geostatistics for Natural Resources Characterization,
South Lake Tahoe, D. Reidel Publishing, pp 517-541.

175

Caers, J., 1998. Stochastic simulation with neural networks. Stanford Center for Reservoir
Forecasting, Annual Meeting, v11, Stanford, 66p.

Chiles, J.P., 1984. Simulation of a nickel deposit: Problems encountered and practical
solutions: in Verly, G., David, M., Journel, A. and Marechal, A. (Eds.) Geostatistics for
Natural Resources Characterization. Reidel Publishing Company, Dorbrecht, pp 1015-
1030.

Chils, J.P. and Delfiner, P., 1999. Geostatistics: Modeling Spatial Uncertainty. John
Wiley & Sons, New York, 695p.

Clark, I. and White, B., 1976. Geostatistical modelling of an orebody as an aid to mine
planning. 14th APCOM Symposium, SME-AIME, Littleton, Colorado, pp 1004-1012.

Clow, G., 1991. Why gold mines fail. Northern Miner, February, pp. 3134.

Costa, J.F.C.L., 1997. Developments in Recoverable Reserves and Ore Body Modeling.
PhD Thesis, WH Bryan Mining Geology and Research Centre, The University of Queensland,
Australia, 333p.

Costa, J.F.C.L., Koppe, J.C., and Zngano, A.C., 1997. Uncertainty Analysis of Stripping
Ratio and Enhanced Coal Mine Planning. Proceedings, MineIT 97 - First International
Conference on Information Technologies in the Minerals Industry (Internet), Athens, Greece.

Crawford, J.T. and Davey, R.K., 1979. Case study in open pit limit analysis. Computer
Methods for the 80's in the Mineral Industry, SME-AIME, pp 310-318.

Dagbert, M., 1981. The simulation of space-dependent data in geology: in Craig, R.G.
and Labovitz, M.L. (Eds.) Future Trends in Geomathematics. Pion Limited, London, pp 29-
47.

Dagdelen, K., 1985. Optimum Multi-Period Open Pit Mine Production Scheduling by
Lagrangian Parametrization. PhD thesis, Colorado School of Mines, Golden, Colorado,
222p.

Dagdelen, K. and Francois-Bongarcon, D., 1982. Towards the complete double
parameterization of recovered reserves in open pit mining. 17th APCOM Symposium,
SME-AIME, Denver, Colorado, pp 288-296.

176

Damsleth, E., Tjolsen, C.B., Omre, H. and Haldorsen, H.H., 1992. A 2-stage stochasticmodel
applied to a North-Sea reservoir. Journal of Petroleum Technology, Volume 44, Number 4,
pp 402-408.

Dardenne, M.A., Schobbenhaus, C.S., 2001. Metalognese do Brasil. Editora Universidade
de Braslia/CNPq, Braslia. 392p.

David, M., 1977. Geostatistical Ore Reserve Estimation. Elsevier Scientific Publisher,
Amsterdam, 364p.

David, M., 1988. Handbook of Applied Advanced Geostatistical Ore Reserve Estimation.
Elsevier Science Publishers, Amsterdam, 216p.

David, M., Dowd, P. and Korobov, S., 1974. Forecasting Departure from Planning in
Open Pit design and Grade Control. 12th APCOM Symposium, SME-AIME, Colorado
School of Mines, pp F131-F153.

Davis, M., 1987. Production of conditional simulations via the small LU decomposition of
the covariance matrix. Mathematical Geology, Volume 19, Number 2, pp 91-98.

Deraisme, J., De Fouquet, C. and Fraisse, H., 1984. Geostatistical orebody model for
computer optimization of profits from different underground mining methods. 18th
APCOM Symposium, SME-AIME, London, pp 583-590.

Deutsch, C.V., 1992. Annealing techniques applied to reservoir modeling and the
integration of geological and engineering (well test) data. PhD thesis, Stanford University,
Stanford, 306p.

Deutsch, C.V. and Journel, A.G., 1998. GSLIB: Geostatistical Software Library and
Users Guide. Oxford University Press, New York, 368p.

Dimitrakopoulos, R., 1994. Geostatistics for the Next Century. Kluwer Academic
Publishers, Dordrecht, 497p.

Dimitrakopoulos, R., 1998. Conditional simulation algorithms for modelling orebody
uncertainty in open pit optimisation, International Journal of Surface Mining,
Reclamation and Environment. Number 12, pp 173-179.

177

Dimitrakopoulos, R., 1999. Uncertainty models, risk analysis and optimisation of mining
operations. International Symposium on Geostatistical Simulations for the Mining
Industry. Perth, Australia, WH Bryan Mining Geology Research Centre, University of
Queensland, CD-ROM.

Dimitrakopoulos, R., Farrelly, C.T. and Godoy, M., 2001. I'd rather be approximately right
than precisely wrong: Grade uncertainty, risk effects, and Decision making in open pit
design. Strategic Mine Planning Conference, Perth, Whittle Programming Ltd., pp 45-42.

Dimitrakopoulos, R., Farrelly, C.T. and Godoy, M., 2002. Moving forward from traditional
optimisation: Grade uncertainty and risk effects in open pit mine design. Transcript of
the Institute of Mining and Metallurgy, Volume Section A: Minerals Industry, Number 111,
pp A82-A89.

Dimitrakopoulos, R. and Li, S., 2000. Conditional simulation of faults and uncertainty
assessment in longwall coal mining. Geostat 2000 - 6th International Geostatistical
Congress, Cape Town, Geostatstical Assocation of South Africa, pp 692-703.

Dimitrakopoulos, R. and Ramazan, S., 2004. Uncertainty based production scheduling in
open pit mining. SME Transactions, vol. 316, p.106-112.

Docegeo, 1988. Reviso litoestratigrfica da Provncia Mineral de Carajs
Litoestratigrafia e principais depsitos minerais. Congresso Brasileiro de Geologia.
Belm, SBG, Anexo aos anais, vol. 35, pp. 1154.

Dowd, P.A., 1994. Risk assessment in reserve estimation and open pit planning,
Transcript of the Institute of Mining and Metallurgy. Volume Section A: Minerals
Industry, Number 103, pp A148-A154.

Dowd, P.A., 1997. Risk in mineral projects: analysis, perception and management.
Transcript of the Institute of Mining and Metallurgy, Volume Section A: Minerals Industry,
Number 106, pp A6-A18.

Dowd, P.A., and Sarac, C., 1994. An extension of the LU decomposition method of
simulation. In Geostatistical Simulations, M. Armstrong and P. A. Dowd, eds. Kluwer,
Dordrecht, Netherlands, 23-36.

Dowd, P.A., and Onur, A., 1992. Optimizing open pit design and sequencing. APCOM,
Tucson, AZ.

178

Farmer, C., 1988. The generation of stochastic fields of reservoir parameters with
specified geostatistical distributions. In S. Edwards and P. R. King, editors, Mathematics in
Oil Production, pp 235-252. Clarendon Press, Oxford.

Farmer, C.L., 1991. Numerical rocks. The Mathematical Generation of Reservoir Geology,
New York, Oxford University Press, pp 437-447.

Farrelly, C.T., 2002. Risk Quantification in Ore Reserve Estimation and Open Pit Mine
Planning. MSc thesis, The University of Queensland, Brisbane, 150p.

Froidevaux, R., 1993. Probability field simulation. Geostatistics Troia 92, Troia, Kluwer
Academic Publishers, pp 73-84.

Fytas, K., Pelly, C. and Calder, P., 1987. Optimization of open pit short- and long-range
production scheduling. CIM Bulletin, Volume 80, Number No.904, CIM, Montreal, pp 55-
61.

Galarza, M.A., Macambira, M.J.B. 2002a. Geocronologia e Evoluo Crustal da rea do
Depsito de CuAu Gameleira, Provncia Mineral de Carajs (Par), Brasil. Geologia
USP Srie Cientfica 2, pp 143159.

Geman, S. and Geman, D. 1984. Stochastic relaxation, Gibbs distributions, and Bayesian
restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence,
Volume 6, pp 721-741.

Gershon, M.E., 1983. Mine scheduling optimization with mixed integer programming.
Mining Engineering, April 1983, pp 351-354.

Gershon, M.E., 1983. Optimal mine production scheduling: evaluation of large scale
mathematical programming approaches. International Journal of Mining Engineering,
Volume 1, pp 315-329.

Geovariances, 2007. Isatis_tr_anamorph.pdf. Notas internas dos software Isatis.

Glacken, I. and Morley, C., 2003. Leading practice in Resource and Reserve
reconciliation. Unpublished paper prepared for Placer Dome Inc.

Godoy, M. C., 2003. The effective management of geological risk in long-term production
scheduling of open pit mines. PhD thesis, 256 p, The University of Queensland, Brisbane.
179

Godoy, M., Dimitrakopoulos, R. and Costa, J.F., 2001. Economic functions and
geostatistical simulation applied to grade control: in Edwards, A.C. (Ed.) Mineral
Resource and Ore Reserve Estimation - The AusIMM Guide to Good Practice.
AusIMM., Melbourne, pp 591-599.

Godoy, M. and Dimitrakopoulos, R., 2004. Managing risk and waste mining in long-term
production scheduling. SME Trans. 316 43-50.

Godoy, M. C., and Dimitrakopoulos, R., 2009. A Risk Analysis based Framework for
Strategic Mine Planning and Design: Method and application. COSMO Research Report
N 3, pp 121-142.

Goovaerts, P., 1997. Geostatistics for Natural Resources Evaluation. Oxford University
Press, New York, 483p.

Guardiano, F.B. and Srivastava, M.R., 1993. Multivariate geostatistics: Beyond bivariate
moments. Geostatistics Troia '92, Troia, Kluwer Academic Publishers, pp 793-804.

Halatchev, R., 2002. The Time Aspect of the Optimum Long-Term Open Pit Production
Sequencing. 30th. Application of Computers and Operations Research in the Mineral
Industry, Littletown, SME.

Halatchev, R. and Dimitrakopoulos, R., 1999. General optimisation and uncertainty
assessment of open pit design and production scheduling ARC/SPIRT C89804477.
Report No. N-5992, WH Bryan Mining Geology Research Centre, University of Queensland,
216p.

Hewett, T. A., and Behrens, R.A., 1988. Conditional simulation of reservoir heterogeneity
with fractals. SPE paper 18326, 63rd Annual Technical Conference and Exhibition of the
Society of Petroleum Engineers, Houston, Texas, 645-660.

Hochbaum, D.S., and Chen, A., 2000. Performance analysis and best implementations of
old and new algorithms for the open-pit mining problem. Operations Research, Volume
48, Number 6, pp 894-914.

Hustrulid, W., Kuchta, M, 2006. Open pit planning and desig., 2nd Edition, Volume 1 -
Fundamentals, London.

180

Hustrulid, W. and Kuchta, M., 1995. Open Pit Mining Planning & Design. A.A. Balkema,
Rotterdam, 636p.

Isaaks, E. H., 1990. The application of Monte Carlo methods to the analysis of spatially
correlated data.Unpublished Ph.D. thesis, Stanford University, Stanford, Calif.

Isaaks, E.H. and Srivastava, M.R., 1989. Applied Geostatistics. Oxford University Press,
New York, 561p.

Johnson, M.E., 1987. Multivariate Statistical Simulation. John Wiley & Sons, New York,
212p.

Johnson, T.B., 1968. Optimum Open Pit Mine Production Scheduling. PhD thesis,
University of California, Berkeley, 120p.

Journel, A. G., 1989. Imaging of spatial uncertainty: A non-Gaussian approach. In
Geostatistical, Sensitivity, and Uncertainty Methods for Ground- Water Flow and
Radionuclide Transport Modeling, B. E. Buxton, ed. Battelle Press, Columbus, Ohio, 585-
599.

Journel, A. G., 1986a. Constrained interpolation and qualitative information the soft
kriging approac. Math. Geol., v. 18, no. 3, pp. 269286.

Journel, A.G., 1979. Geostatistical simulation methods for exploration and mining
planning. Engineering and Mining Journal . Engineering and Mining Journal., pp 86-91.

Journel, A.G., and F. Alabert, 1989. Non-Gaussian data expansion in the Earth Sciences.
Terra Nova, 1(2), 123-134.

Journel, A.G., and Huijbregts, C.J., 1978. Mining Geostatistics. Academic Press, London,
600p.

Journel, A.G., 1974. Geostatistics for conditional simulation of orebodies. Economic
Geology, Volume 69, Number 5, pp 673-687.

Kim, Y.C., 1967. Mathematical Programming Analysis of Mine Planning Problems. PhD
thesis, The Pennsylvania State University, University Park, 246p.

181

Kim, Y.C., 1978. Open Pit Limit Analysis. Computer Methods for the 80's in the Mineral
Industry, SME-AIME., pp 297-303.

Kirkpatrick, S., Gelatt, C.D. and Vecchi, M.P., 1983. Optimization by simulated annealing.
Science, vol. 220, no. 4598, pp 671-680.

Kolmogorov, A.N., 1950. Foundations of the theory of probability. Chelsea Publishing
Co., New York, 84p.

Korobov, S., 1974. Method for determining ultimate open pit limits. Technical Report ED
74-R-4, Department of Mineral Engineering, Ecole Polytechnique, Montreal.

Krige, D., 1951. A statistical approach to some mine valuation and allied problems on the
Witwatersrand. MSc thesis, University of South Africa, Witwatersrand.

Lancaster, O., Fanton, J., Almeida, A.J., Leveille, R.A., Vieira, S., 2000. Discovery and
geology of the Sossego coppergold deposit, Carajs District, Par State, Brazil.
International Geological Congress, 31, Rio de Janeiro, IUGS, [CD-ROM].

Lane, K., 1988. The Economic Definition of Ore. London: Mining Journal Books.

Lantujoul, C., 2002. Geostatistical Simulation: Models and Algorithms. Springer, New
York, 256p.

Leite, A., Dimitrakopoulos, R., 2007. A stochastic optimization model for open pit mine
planning: Application and risk analysis at a copper deposit. IMM Transactions, Mining
Technology, 116, pp 109-118.

Lerchs, H. and Grossmann, L., 1965. Optimum design of open-pit mine. CIM Transactions,
Volume LXVIII, CIM, Montreal, pp 17-24.

Lemieux, M., 1979. Moving cone optimizing algorithm. Computer methods for the 80's in
the mining industry, SME. pp 329-345.

Luo, X., 1998. Spatiotemporal stochastic models for earth science and engineering
applications. PhD thesis, McGill University, Montreal, 177p.

182

Macambira, J.B., Macambira, M.J.B., Scheller, T., Gomes, A.C.B., 1996. Geocronologia
Pb/Pb e tipologia de zirces de rochas vulcnicas da Formao Carajs-Par: indicador
da idade dos BIFs. Congresso Brasileiro de Geologia. Boletim de Resumos Expandidos, vol.
39, pp. 516518.

Machado, N., Lindenmayer, D.H., Krough, T.E., Lindenmayer, Z.G., 1991.UPb
geochronology of Archeanmagmatismand basement reactivation in the Carajs area,
Amazon Shield, Brazil. Precambrian Research 49, 126.

Matheron, G. 1963. Principles of geostatistics. Economic Geology, Volume 58, pp 1246-
1266.

Matheron, G. 1971. The Theory of Regionalized Variables and its Applications. Ecole
Nationale Superieure des Mines de Paris, Paris, 211p.

Matheron, G., 1973. The intrinsic random functions and their applications, Advances in
Applied Probability. Volume 5, pp 439-468.

Matheron, G., 1976(b). Forecasting block grade distributions: the transfer functions. In
Advanced Geostcitistics in the Mining Industry. M. Guarascio, M. David, and C.
Huijbregts, eds. Reidel, Dordrecht, Holland, 237-251.

Matheron, G., H. Beucher, C. de Fouquet, A. Galli, D. Guerillot, and C. Ravenne, 1987.
Conditional simulation of the geometry of fluviodeltaic reservoirs. SPE paper # 16753.

Mathieson, G.A., 1982. Open pit sequencing and scheduling. Honolulu, Hawaii,
SMEAIME, pp 1-15.

Metropolis, N., Rosenbluth, A.W., Rosenbluth, M.N., Teller, A.H. and Teller, E., 1953.
Equations of state calculations by fast computing machines. The Journal of Chemical
Physics, Volume 21, Number 6, pp 1087-1092.

Monteiro, L.V.S., Xavier, R.P., Hitzman, M.W., Juliani, C., Filho, C.R.S., Carvalho, E.R.,
2008. Mineral chemistry of ore and hydrothermal alteration at the Sossego iron oxide
coppergold deposit, Carajs Mineral Province, Brazil. Ore Geology Reviews 34, pp 317
336.

Morley, C, 2003. Beyond reconciliation a proactive approach to using mining data. in
Proceedings Fifth Large Open Pit Conference, pp 185-191 (The Australasian Institute of
Mining and Metallurgy: Melbourne).
183

Morley, C, and Moller, R, 2005. Iron Ore Mine Reconciliation A Case Study From
Sishen Iron Ore Mine, South Africa. Iron Ore Conference, Fremantle, WA, pp 311-318.

Mustafa, K. and Dimitrakopoulos, R., 2009. A Stochastic Mine Production Scheduling
with Smooth Production Rates. Internal COSMO Research Report n3, pp 182-204.

Onur, A. and Dowd, P.A., 1993. Open pit optimsation - Part 2: Production scheduling and
inclusion of roadways. Transactions Institution of Mining and Metallurgy (Sect. A: Min.
Industry), Volume 101, pp A104-108.

Peroni, R.L., Costa, J.F.C.L., Koppe, J. and Petter, C., 2000. New Mine Planning Strategies
Applied to Kaolin Deposits. Proceedings,
International Geostatistical Congress (Geostats

2000), CD-ROM, Cape Town, South Africa, 9p.

Peroni, R.L., 2002. Anlise de Sensibilidade do Sequenciamento de Lavra em Funo da
Incerteza do Modelo Geolgico. Tese de Doutorado. Programa de Ps-Graduao em
Engenharia de Minas, Metalrgica e de Materiais (PPGEM), Universidade Federal do Rio
Grande do Sul, 126p.

Pilger, G.G., 2000. Critrios para locao Amostral Baseados em Simulao Estocstica.
Dissertao de Mestrado. Programa de Ps-Graduao em Engenharia de Minas, Metalrgica
e de Materiais (PPGEM), Universidade Federal do Rio Grande do Sul, 127p.

Pimentel, M.M., Lindenmayer, Z.G., Laux, J.H., Armstrong, R., Arajo, J.C., 2003.
Geochronology and Nd geochemistry of the Gameleira CuAu deposit, Serra dos
Carajs, Brazil: 1.81.7 Ga hydrothermal alteration and mineralization. Journal of South
American Earth Sciences 15, 803813.

Ramani, R.V., 1970. Mathematical Programming Applications in the Crushed Stone
Industry. PhD thesis, The Pennsylvania State University, Universtity Park.

Ramazan, S., 2007. The new fundamental tree algorithm for production scheduling of
open pit mines. European Journal of Operations Research, 177 pp 1153-1166.

Ramazan, S., 1996. A New Push Back Design Algorithm in Open Pit Mining. MSc thesis,
Colorado School of Mines, Golden, Colorado, 164p.

184

Ramazan, S. and Dimitrakopoulos, R., 2007. Stochastic optimization of long-term
production scheduling for open pit mines with a new integer programming formulation.
In, Orebody Modelling and Strategic Mine Planning: Uncertainty and risk management
models, The Australian Institute of Mining and Metallurgy, Spectrum vol. 14, 2nd Edition,
pp. 385-392.

Ramazan, S. and Dimitrakopoulos, R. 2004a. Traditional and new mip models for
production scheduling with in-situ grade variability. International Journal of Surface
Mining, Reclamation and Environment 18(2) 85-98.

Ramazan, S. and Dimitrakopoulos, R. 2004b. Recent applications of operations research
and efficient MIP formulations in open pit mining. SME Transactions 316 73 78.

Ramazan, S. and Dagdelen, K. 1998. A new push back design algorithm in open pit
mining. Proceedings of the 17th International Symposium on Mine Planning and Equipment
Selection, Calgary, Canada, A.A. Balkema, Rotterdam, pp 119-124.

Ravenscroft, P.J. 1992. Recoverable reserve estimation by conditional simulation. Case
histories and methods in mineral resources evaluation, Geological Society of London, pp 289-
298.

Ravenscroft, P.J. 1992. Risk analysis for mine scheduling by conditional simulation.
Transcripts of Institution of Mining and Metallurgy, Number 101, pp A104- A108.

Ravenscroft, P.J. 1994. Conditional simulation for mining: Practical implementation in
an industrial environment. In Armstrong, M. and Dowd, P. (Eds.) Geostatistical
Simulations. Kluwer Academic Publishers, Dordrecht, pp 79-87.

Richmond, A.J. 2003. Financially Efficient Ore Selections Incorporating Grade
Uncertainty. Mathematical Geology, Vol. 35, N2, pp 195-215.

Richmond, A.J. 2004. Financially Efficient Mining Decisions Incorporating Grade
Uncertainty. PhD Thesis, Imperial College, London, 208p.

Rosenblatt, M. 1952. Remarks on multivariate transformation. Annals of Mathematical
Statistics, Number 23, pp 470-472.

Rossi, M.E. 1999. Uncertainty and risk models for decision-making processes. 28th
APCOM Symposium, SME-AIME, Golden, Colorado School of Mines, pp 185- 195.

185

Rossi, M.E. and Parker, H.M. 1994. Estimating recoverable reserves: Is it hopeless? In
Dimitrakopoulos, R. (Ed.) Geostatistics for the Next Century, Montreal, Canada, Kluwer
Academic Publishers, pp 259-276.

Rossi, M.E. and Van Brunt, B.H. 1997. Optimizing conditionally simulated orebodies with
Whittle 4D. Optimizing with Whittle 97, Perth, Whittle Programming Pty Ltd, pp 119-128.

Schofield, N.A., 2001. The myth of mine reconciliation, in Mineral Resource and Ore
Reserve Estimation. The AusIMM Guide to Good Practice (ed: A C Edwards), pp 601-610
(The Australasian Institute of Mining and Metallurgy: Melbourne).

Seymour, F., 1994. Finding the mining sequence and cutoff-grade schedule that
maximizes net present value. Society for Mining, Metallurgy, and Exploration, Inc
Transactions, Volume 298, pp 1880-1884.

Seymour, F., 1995. Pit limit parameterization from modified 3D Lerchs-Grossmann
algorithm. SME Annual Meeting '95, Denver, USA, Society for Mining Metallurgy and
Exploration, pp 1-11.

Sichel, H. S., 1952, New methods in the statistical evaluation of mine sampling data.
Trans. Inst. Min. Metall., pp. 261288.

Sinclair, A.J. and Blackwell, G.H., 2002. Applied mineral inventory estimation. Cambridge
University Press, Cambridge, 400p.

Smith, M. and Dimitrakopoulos, R., 1999. Influence of deposit modelling on mine
production scheduling. International Journal of Surface Mining, Reclamation and
Environment, Volume 13, pp 173-178.

Souza, L.E., Gambin, F., Costa, J.F.C.L. and Koppe, J.C., 2001a. Estimativa de Incerteza na
Classificao de Recursos Minerais por Simulao Geoestatstica. Revista Escola de
Minas, Ano 65, Vol. 54, N4, pp 143-148.

Souza, L.E., Costa, J.F.C.L. and Koppe, J.C., 2002. A Geostatistical Contribution to the
Use of Resource/Reserves Classification Systems . Proceedings, 30th International
Symposium on Computer Applications in the Mineral Industries (APCOM'2002), Phoenix,
Arizona USA, pp 73-84.

186

Souza, L.E., 2007. Proposio Geoestatstica Para Quantificao do Erro em Estimativas
de Tonelagens e Teores. Tese de Doutorado. Programa de Ps Graduao em Engenharia de
Minas, Metalrgica e de Materiais (PPGEM), Universidade Federal do Rio Grande do Sul,
193p.

Srivastava, R.M., 1987a. Minimum variance or maximum profitability? CIM Bulletin,
Volume 80, CIM, Montreal, pp 63-68.

Strebelle, S., 2001. Sequential simulation drawing structures from training images. PhD
thesis, Stanford University, Stanford, 316p.

Sullivan, J., 1984. Conditional recovery estimation through probability kriging - theory
and practice. In Verly, G., David, M., Journel, A. and Marechal, A. (Eds.) Geostatistics for
natural resource characterisation. Reidel Publishing Company, Dordrecht, pp 365-384.

Tallarico, F.H.B., Figueiredo, B.R., Groves, D.I., Kositcin, N., McNaughton, N.J., Fletcher,
I.R., Rego, J.L., 2005. Geology and SHRIMP UPb geochronology of the Igarape Bahia
Deposit, Carajs coppergold belt, Brazil, an Archean (2.57 Ga) example of ironoxide
CuAu(UREE) mineralization. Economic Geology 100, 728.

Tan, S. and Ramani, R.V., 1992. Optimization models for scheduling ore and waste
production in open pit mines. 23rd APCOM Symposium, SME-AIME, Littleton, pp 781-
791.

Tolwinski, B., 1998. Scheduling production for open pit mines. 27th APCOM Symposium,
IMM, London, England, pp 651-662.

Vallee, M., 1999. Resource/reserve inventories: What are the objectives? CIM Bulletin,
Volume 92, Number 1031, CIM, Montreal, pp 151-155.

Verly, G., 1984. Estimation of Spatial Point and Block Distributions: The Multigaussian
Model. PhD thesis, Stanford University, Stanford, 416p.

Verly, G., 1993. Sequential Gaussian cosimulation: A simulation method integrating
several types of information. Geostatistics Troia 92, Troia, Kluwer Academic Publishers, pp
543-554.

Wang, L., 1995. Modeling complex reservoir geometries with multiple-point statistics.
Stanford Center for Reservoir Forecasting, Annual Meeting, v8, Stanford, 46p.

187

Wang, Q. and Sevim, H., 1993. An alternative to parameterization in finding a series of
maximum metal pits for production scheduling. 24th APCOM Symposium, SME-AIME,
Littleton, pp 168-175.

Whittle, J., 1993. Four-D Whittle Open Pit Opimisation Software - User Manual. Whittle
Programming Pty Ltd, Melbourne, 389p.

Whittle, J. and Rozman, L., 1991. Open pit design in 90's. Proceedings Mining Industry
Optimisation Conference, AusIMM, Sydney.

Whittle, P., 1963. Stochastic processes in several dimensions. Bulletin International
Statistical Institute, Volume 40, pp 974-994.

Wirth, K.R., Gibbs, A.K., Olszewski Jr.,W.J.,1986. UPb ages of zircons from the Gro
Par Group and Serra dos Carajs granite, Par, Brasil. Revista Brasileira de
Geocincias 16, 195200.

Yaglom, A.M., 1962. An Introduction to the Theory of Stationary Random Functions.
Prentice-Hall, Englewood Cliffs, New Jersey, 235p.

Zhao, Y. and Kim, Y.C., 1991. A New Graph Theory Algorithm for Optimal Pit Design.
SME Transactions, vol. 290, pp 1832-1838.

Zhao, Y. and Kim, Y.C., 1992. A New Optimum Pit Limit Design Algorithm. 23rd
APCOM, Tucson, AZ., pp 432-434.

000862950

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

000862950

Hochgeladen von

Copyright:

Verfügbare Formate

1

, k=1, .... K, so K valores de threshold discretizando o intervalo de variao dos -

) que no caso de um modelo de estimativa

o valor esperado da cdf aproximado por uma soma discreta;

) da distribuio, sendo i o valor de quartil da

), i=1,...,N, dentro de um depsito

, constituindo a ento chamada "lei espacial" de Z(. Outra forma de

i tender para m com o aumento do nmero de realizaes i. O parmetro m

dado o conjunto de valores de dados

, j = 1, ... , . A decomposio (3.18)

obtida aleatoriamente a partir da funo de

aleatoriamente a partir desta cpdf;

aleatoriamente a partir desta cpdf.

), = 1,...,n uma distribuio Gaussiana com valor

) pode ser determinado pelo sistema de krigagem simples:

representa os pesos obtidos pelo sistema de krigagem simples.

, = 1,...,n para obteno do modelo Gaussiano:

como uma funo da varivel

, e a primeira tem uma distribuio Gaussiana com mdia zero e varincia 1.

, i = 1,..., N, e um outro conjunto de dados em que uma realizao conhecida e

), esse selecionado a partir da pdf condicional de

o resultado da estimativa por krigagem simples

) : j < i}, sendo

a varincia de krigagem associada.

, ento (Chils & Delfiner,

] desconhecido, visto que Z() no conhecido.

a estimativa de krigagem obtida

calculado. Assim, substituindo o erro desconhecido pela simulao

). Como S e Z so independentes, a covarincia de

), ento T() no mais estacionrio. A

), = 1,...,n}. A simulao Sequencial Gaussiana

da ccdf obtida em (v) e adicion-lo ao

|(n)) = Prob {Z(u)

|(n)} k = 1,..., K (3.28)

) dada a informao (n).

e zero caso contrrio.

linhas (bandas) varrendo o plano regularmente a partir

[0, [ o ngulo da linha

com os componentes cos

com mdia zero e com covarincia

(h) so associadas s linhas

. Considerando um ponto x = (x, y) no plano, a sua projeo

um ponto com abscissa:

(h), a covarincia generalizada de (x) definida como:

) em cada banda (Figura 3.2);

so os custos unitrios de mina associado movimentao do material para um

so os custos unitrios de concentrao do minrio por tonelada de material para

a quantidade de material a ser lavrado em um dado bloco i;

a quantidade de minrio enviado para a usina de um dado bloco i;

a quantidade de metal (concentrado) realmente produzido atravs da lavra e

o fator limitante considerado, ento o tempo

a quantidade mxima u de material (minrio e estril) que pode ser produzida

realmente produzido para o bloco i

so o teor mdio enviado para a concentrao e a recuperao para a

, baseado nas restries de lavra, o valor que faz

a quantidade mxima u de minrio na qual pode ser alimentado usina em um

a quantidade mxima u de metal produzido em um dado perodo de tempo t,

representa a meta (krigagem ordinria) de material referente ao bloco i;

representa o valor atual do atributo referente ao bloco i para o modelo de

o coeficiente de variao condicional para o bloco i, referente a todos os modelos

representa a meta (krigagem ordinria) de material definida para a classe d

representa o valor atual do atributo para a classe d, referente ao bloco i e o

) considerando o risco da incerteza geolgica. Para cada um dos c

, determinada aleatoriamente for diferente de uma classe anterior