Estimativa de incertezas e sua aplicação na classificação de recursos minerais

A estimativa de recursos minerais é essencial para o propósito de planejamento econômico em qualquer empreendimento mineiro. Além de finalizar os trabalhos de pesquisa mineral, a avaliação de recursos/reservas é a base sobre a qual serão estabelecidos os estudos de viabilidade econômica que se seguem. Atividades como planejamento e otimização de cavas, orientação dos avanços da lavra, projeção de fluxos de caixa, projetos de financiamento e mesmo a operação de plantas de beneficiamento requerem, além da prévia estimativa dos recursos disponíveis, a correta classificação desses recursos. A estimativa e a subseqüente classificação dos recursos em diferentes classes ou categorias, de acordo com as possíveis variações que esses recursos apresentem, devem indicar não apenas os níveis diferenciados de risco envolvidos, mas permitir a elaboração de um modelo que quantifique esse risco. Nesse sentido, a indústria mineira já há muito tempo havia reconhecido e estabelecido padrões para avaliação e classificação de recursos mas agora, com a crescente internacionalização das empresas de mineração, cada vez mais é ressaltada a necessidade do estabelecimento de padrões internacionalmente aceitáveis para essa classificação. Todos os principais sistemas de classificação atualmente em uso compartilham alguns aspectos em comum, baseando a definição das classes de recursos em função da distância de separação entre as amostras e no grau de confiança ou acuracidade associado com os resultados estimados. Apesar de muito claros em termos de estabelecer os critérios geométricos de distância entre amostras e distância máxima de extrapolação, os sistemas de classificação não fornecem definições claras de como esses limites de confiança poderiam ser calculados. Dessa forma, esta dissertação buscou, basicamente, apresentar uma alternativa metodológica que, diante da ineficiência dos métodos até então utilizados, permitisse a incorporação de incertezas às estimativas de recursos e reservas, proporcionando o correto enquadramento nas classes propostas pelos principais sistemas de avaliação e classificação. Com esse intuito, investigou-se a aplicabilidade de técnicas geoestatísticas como krigagem e simulação estocástica, procurando apresentar alternativas e discutir as limitações encontradas. Enquanto a krigagem ordinária permite uma resposta rápida em termos de tonelagem, a avaliação do erro associado à estimativa requer a adoção de uma série de hipóteses e é alvo de várias críticas já consubstanciadas na bibliografia. Por outro lado, os resultados obtidos pelas técnicas de simulação empregadas, demonstraram que o erro associado a uma estimativa pode ser avaliado utilizando múltiplos cenários simulados para definir limites de confiança, permitindo uma real avaliação da incerteza associada à estimativa. Tanto pela técnica de simulação gaussiana quanto pela simulação de indicadores obteve-se resultados similares quanto ao espaço de incerteza mapeado e quanto às características de precisão e acuracidade na distribuição de valores de saída da simulação. O estudo de caso é ilustrado em um grande depósito de carvão brasileiro onde a metodologia provou ser apropriada para abordar o problema da quantificação da incerteza, permitindo sua utilização pelos sistemas de classificação de recursos e reservas.Mineral resources estimation is essential for planning of any new mine. Besides concluding the mineral exploration, the resources/reserves evaluation is the base on which will be established the studies of economical feasibility. Mine planning and pit optimization, mining cuts and orientation, projection of cash flows, and even the operation of processing plants request the estimate of the available resources and their correct classification. The estimate and the subsequent classification of the resources in different classes or categories is based on different levels of risk and requires a model able to quantify this risk for evaluation and classification of mineral resources a long time ago. All classification systems share some common aspects in terms of defining the classes of resources based on distance separating samples and on the degree of confidence or accuracy associated with the results reported. Despite of being very clear in terms of stating sample distances, all the systems of classification do not provide clear definitions on how confidence limits should be calculated. This dissertation investigates an alternatives capable of incorporating uncertainties to the estimates of resources and reserves. Geostatistic techniques as kriging and stochastic simulation were investigated, and their appropriateness was discussed. While the ordinary kriging allows a fast response to determine tonnages, the error calculated requires a series of assumptions which in various cases are difficult to be sustained. Contrary, the results obtained via simulation techniques demonstrate that the error associated with an estimate can be approximated using multiple simulated tonnage models to define confidence limits, allowing a more realistic evaluation of the uncertainty associated with the estimate. Either gaussian simulation or indicators simulation provided similar results in terms of space of uncertainty and precision and accuracy. The methodology developed is illustrated in a large Brazilian coal deposit and proved to be appropriate to address the issue of quantifying the uncertainty necessary to be incorporated in the systems of resources and reserves classification