A New Probabilistic approach to mineral resources classification: an application to the Sequeirinho Mine

A declaração de recursos e reservas minerais assim como sua classificação, surgiu no início de 1970 como resposta às inúmeras fraudes que causaram perdas irreparáveis tanto a pessoas quanto à grandes mineradoras. As Normas Internacionais de Declaração de Recursos Minerais (CRIRSCO e JORC) e a Comissão Brasileira de Recursos e Reservas Minerais (CBRR) desempenham um papel essencial nos projetos e empreendimentos de mineração, pois viabilizam os direitos e deveres dos investidores, assim como, a transparência na declaração dos recursos minerais. Essas normas são regidas pelos princípios da transparência, materialidade e competência que ajudam na elaboração da declaração pública dos recursos minerais através de uma avaliação justa e auditável. Além disso, estabelecem uma subdivisão dos recursos minerais segundo a ordem crescente de confiança e conhecimento geológico como: Inferido, Indicado e Medido o que permite ao profissional avaliar o tipo de mineralização segundo as diretrizes estabelecidas. Aliás, na literatura cientifica é possível encontrar várias ferramentas geoestatísticas tanto qualitativas quanto quantitativas como por exemplo, a krigagem e a simulação que são usadas para estimar e classificar recursos minerais com maior precisão. Afinal, neste trabalho a Simulação Sequencial Gaussiana (SGS) e a Simulação de Múltiplos Pontos FILTERSIM são usadas e comparadas como métodos de estimativa dos recursos encontrados na mina de Sequeirinho, localizada em Canaã dos Carajás no sudeste do Pará. Os dados analisados correspondem às 289 perfurações realizadas em seis campanhas entre 1997 a 2003 na Mina de Cobre do Sossego. Como critério de classificação para os métodos SGS e FILTERSIM foi utilizado a função de transferência local, denominada neste trabalho de probabilidade condicional pontual que foi aplicada às unidades/blocos de um modelo tridimensional de modo que as probabilidades encontradas resultaram da aplicação do teorema do Limite Central e da distribuição Normal. Deste modo, recursos minerais puderam ser enquadrados nas seguintes subdivisões: Medido, se a probabilidade condicional pontual estiver no intervalo de (85%, 100%]; Indicado, se estiver entre (30%, 85%]; e, Inferido, caso se encontre no intervalo [0%, 30%]. É importante citar que frequentemente a classificação de recursos minerais resultam em artefatos. Esse problema é conhecido pela indústria mineral como \"spotted dog\" que pode induzir o profissional a erros grosseiros na classificação dos recursos, já que encobrem aspectos relevantes como continuidade geológica e mineralização. Para evitar tais impasses dois filtros lineares foram utilizados: Média e Gaussiano. Por fim, a seleção do modelo/janela de homogeneização de valores do filtro Gaussiano foi realizada a partir da seleção de um valor \"ótimo\" de sigma ou desvio padrão em um intervalo de dispersão adequado. Logo, a função usada para obter um valor \"ótimo\" é a de máxima verossimilhança log-normal. Afinal o método de probabilidade pontual foi capaz de apresentar resultados satisfatórios. Aliás, o método proposto considera as características locais da distribuição de valores e as incertezas locais associadas, o qual mostra que esse critério é um método estatístico promissor para classificação de recursos minerais.The declaration of mineral resources and reserves, as well as their classification emerged in the early 1970s in response to the numerous frauds that caused irreparable losses to both people and large miners. The International Mineral Resources Declaration Standards (CRIRSCO and JORC) along with the Brazilian Mineral Resources and Reserves Commission (CBRR) play an essential role in mining projects and ventures, as they enable investors\' rights and duties, as well as transparency in the statement of mineral resources. These standards are governed by the principles of transparency, materiality and competence that support the preparation of the public statement of mineral resources through fair and auditable assessment. In addition, they establish a subdivision of mineral resources according to the increasing order of trust and geological knowledge as: Inferred, Indicated and Measured allowing a professional evaluation of the type of mineralization according to the established guidelines. Moreover, in the scientific literature it is possible to find various geostatistical tools both qualitative and quantitative such as kriging and simulation that have been used the estimation and classification of mineral resources in order to identify different classes of mineral resources. Thus, in this work Gaussian Sequential Simulation (SGS) and FILTERSIM Multiple Point Simulation are used and compared as mineral resource estimation methods for the Sequeirinho mine, located in Canaã dos Carajás in southeastern Pará. Data provided by Vale SA. The Sequeirinho mine corresponds to 289 drillings carried out in six campaigns from 1997 to 2003 at the Sossego Copper Mine. As classification method for both methods (SGS and FILTERSIM) the local transfer function will be used. It is worth mentioning that in the present work this function is called point conditional probability and will be applied to the units/blocks of a three-dimensional model so that the probabilities found result from the use of the Central Limit theorem and the Normal distribution. Thus, a mineral resource may fall into the following subdivisions: Measured if the point conditional probability is within the range of (85%, 100%], Indicated if the probability is within (30%, 85%] and Inferred if the probability is in the range [0%, 30%]. It is important to mention that on numerous ocassions the classification of mineral resources results in artifacts. This problem is known in the mineral industry as \"spotted dog\" and can induce the trader to gross errors in mineral resources classification, as they mask relevant aspects such as geological continuity and mineralization. To avoid certain deadlocks, two linear filters are used: Average and Gaussian. It should be noted that the selection of the Gaussian filter model/homogenization window was made from the selection of an \"optimal\" sigma or standard deviation value in a suitable dispersion range. Therefore, the function used to obtain an \"optimal\" value is the maximum log-normal likelihood