Training image selection and model validation using multiple point statistics

La correcta caracterización de propiedades geológicas es esencial para la industria minera debido a su influencia en distintos procesos, especialmente en la estimación de recursos. Una característica positiva del variograma es su capacidad de inferir la continuidad espacial de la variable analizada a partir de los datos condicionantes, los cuales corresponden generalmente a datos de sondajes. Técnicas geoestadísticas convencionales basadas en el variograma permiten construir modelos probabilísticos y cuantificar la incertidumbre asociada a éstos. Sin embargo, estas técnicas son incapaces de reproducir estructuras espaciales complejas, frecuentemente observadas en atributos geológicos, debido a la inferencia de continuidad espacial de segundo orden realizada mediante el variograma. Los algoritmos de simulación de patrones han sido desarrollados en los últimos años para superar este problema. Estos algoritmos requieren de una fuente exhaustiva de patrones, conocida como imagen de entrenamiento, a partir de la cual pueda ser realizada una inferencia representativa de estadísticas de patrones. La imagen de entrenamiento corresponde generalmente a un modelo conceptual del fenómeno geológico que genera la estructura espacial de la variable por lo que su construcción se ve frecuentemente sometida a criterios subjetivos. Distintos especialistas podrían incluso construir imágenes distintas basados en su interpretación personal de la geología. Por estos motivos es que la selección y construcción de la imagen de entrenamiento se ha convertido en una de las principales dificultades al implementar en la práctica estos nuevos algoritmos de simulación. Este trabajo aborda el desarrollo de una herramienta geoestadística capaz de proveer criterios medibles para la selección de una imagen de entrenamiento. La herramienta permite generar un ranking de imágenes de entrenamiento de acuerdo a su compatibilidad espacial relativa y absoluta con los datos condicionantes. El algoritmo logra obtener la compatibilidad relativa mediante el cálculo de la probabilidad condicional de encontrar patrones de datos condicionantes en una determinada imagen de entrenamiento, sujeto a la condición de que los patrones se encuentren contenidos en el conjunto de imágenes disponibles. La compatibilidad absoluta es obtenida mediante el cálculo de la proporción de patrones de datos condicionantes contenidos en una determinada imagen. Se desarrollaron dos estrategias de cálculo de compatibilidad. La primera, sólida desde el punto de vista estadístico, requiere del cálculo explícito de la distribución de probabilidad condicional, mientras que la segunda, basada en un muestreo directo, permite obtener resultados similares a un menor costo computacional.
[Santiago: 2013]

Compartir: