Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás

Detalhes bibliográficos
Autor(a) principal: Batiston, Evandro Lino
Data de Publicação: 2010
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: http://hdl.handle.net/10183/28838
Resumo: A utilização de modelos de incerteza geológica é fundamental para a quantificação e avaliação da flutuação dos atributos analisados pelos departamentos de planejamento da indústria mineira. O método de simulação seqüencial Gaussiana (SSG) é amplamente utilizado para a construção destes modelos. O SSG caracteriza-se por representar adequadamente o espaço de incerteza da variável aleatória (VA) Z(u), desde que o número de realizações L seja adequado para reproduzi-lo. Existem dois algoritmos implementados em SSG que efetuam a tiragem aleatória da distribuição condicional local de probabilidade (dclp) cumulativa, visando gerar as realizações que vão compor a simulação. O algoritmo clássico, baseado na tiragem simples por Monte Carlo, denomina-se Simple Random Sampling (SRS), enquanto que o método alternativo é denominado Latin Hypercube Sampling (LHS). Esta dissertação compara a eficiência destes dois algoritmos, como forma de caracterizar o espaço de incerteza de algumas funções de transferência usadas na indústria mineral. O estudo de caso envolveu a análise do número de realizações necessárias para caracterizar adequadamente a variabilidade da resposta destas funções, como mecanismo para comparação, para um banco de dados de minério de ferro da Província Mineral de Carajás. Observou-se que o método LHS ofereceu maior eficiência na caracterização do espaço de incerteza da VA Z(u), estratificando a dclp de acordo com cada realização, proporcionando menor número de realizações e melhor cobertura da dclp, na construção do modelo de incerteza. Estes benefícios facilitam a implementação da técnica de SSG nas rotinas de planejamento, de forma que os modelos de incerteza serão menores e mais fáceis de manipular.
id URGS_e60a131129c4814d55d86b3279ebc93a
oai_identifier_str oai:www.lume.ufrgs.br:10183/28838
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Batiston, Evandro LinoCosta, Joao Felipe Coimbra Leite2011-05-03T06:00:17Z2010http://hdl.handle.net/10183/28838000768749A utilização de modelos de incerteza geológica é fundamental para a quantificação e avaliação da flutuação dos atributos analisados pelos departamentos de planejamento da indústria mineira. O método de simulação seqüencial Gaussiana (SSG) é amplamente utilizado para a construção destes modelos. O SSG caracteriza-se por representar adequadamente o espaço de incerteza da variável aleatória (VA) Z(u), desde que o número de realizações L seja adequado para reproduzi-lo. Existem dois algoritmos implementados em SSG que efetuam a tiragem aleatória da distribuição condicional local de probabilidade (dclp) cumulativa, visando gerar as realizações que vão compor a simulação. O algoritmo clássico, baseado na tiragem simples por Monte Carlo, denomina-se Simple Random Sampling (SRS), enquanto que o método alternativo é denominado Latin Hypercube Sampling (LHS). Esta dissertação compara a eficiência destes dois algoritmos, como forma de caracterizar o espaço de incerteza de algumas funções de transferência usadas na indústria mineral. O estudo de caso envolveu a análise do número de realizações necessárias para caracterizar adequadamente a variabilidade da resposta destas funções, como mecanismo para comparação, para um banco de dados de minério de ferro da Província Mineral de Carajás. Observou-se que o método LHS ofereceu maior eficiência na caracterização do espaço de incerteza da VA Z(u), estratificando a dclp de acordo com cada realização, proporcionando menor número de realizações e melhor cobertura da dclp, na construção do modelo de incerteza. Estes benefícios facilitam a implementação da técnica de SSG nas rotinas de planejamento, de forma que os modelos de incerteza serão menores e mais fáceis de manipular.Assessing geological uncertainty is of paramount importance in mining industry risk analysis. Sequential Gaussian Simulation (SGS) is widely used for building such models, especially when mapping grade uncertainty. SGS is commonly used for mapping the uncertainty space of a random variable (RV) Z(u), and the number of realizations L to adequate characterize this space is possible large. Two algorithms were herein implemented combined with SGS for random drawing from the conditional cumulative distribution function (ccdf). The classical algorithm, based on Monte Carlo simple drawing known as Simple Random Sampling (SRS), whereas the alternative method, Latin Hypercube Sampling (LHS). The present dissertation compares the efficiency of these two algorithms checking their efficiency in characterizing the uncertainty space of some transfer functions employed in the mineral industry. Through a case study it was checked the number of necessary realizations to adequately characterize the variability of these response functions, as a mechanism for comparison. The dataset comes from an iron ore mine at the Carajás Mineral Province It was observed that the LHS method is more efficient in characterizing uncertainty space of RV Z(u), by stratifying the ccdf according to each realization. Such characteristic of LHS requires fewer realizations to proper build the uncertainty model. These benefits facilitate the implementation simulations into the routines of planning, using smaller and easier to manipulate uncertainty models.application/pdfporLavra : PlanejamentoMinério de ferroGeoestatísticaAmostragemSimulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajásinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia de Minas, Metalúrgica e de MateriaisPorto Alegre, BR-RS2010mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT000768749.pdf.txt000768749.pdf.txtExtracted Texttext/plain130551http://www.lume.ufrgs.br/bitstream/10183/28838/2/000768749.pdf.txt7273a1f493f5b0a1f4e68268a7a92a3aMD52ORIGINAL000768749.pdf000768749.pdfTexto completoapplication/pdf11494439http://www.lume.ufrgs.br/bitstream/10183/28838/1/000768749.pdf6c248620127800ddcc79d4f6b023af23MD51THUMBNAIL000768749.pdf.jpg000768749.pdf.jpgGenerated Thumbnailimage/jpeg1213http://www.lume.ufrgs.br/bitstream/10183/28838/3/000768749.pdf.jpgadf586ea1169893555364cd5a7be4586MD5310183/288382018-10-09 08:03:34.479oai:www.lume.ufrgs.br:10183/28838Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532018-10-09T11:03:34Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás
title Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás
spellingShingle Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás
Batiston, Evandro Lino
Lavra : Planejamento
Minério de ferro
Geoestatística
Amostragem
title_short Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás
title_full Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás
title_fullStr Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás
title_full_unstemmed Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás
title_sort Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás
author Batiston, Evandro Lino
author_facet Batiston, Evandro Lino
author_role author
dc.contributor.author.fl_str_mv Batiston, Evandro Lino
dc.contributor.advisor1.fl_str_mv Costa, Joao Felipe Coimbra Leite
contributor_str_mv Costa, Joao Felipe Coimbra Leite
dc.subject.por.fl_str_mv Lavra : Planejamento
Minério de ferro
Geoestatística
Amostragem
topic Lavra : Planejamento
Minério de ferro
Geoestatística
Amostragem
description A utilização de modelos de incerteza geológica é fundamental para a quantificação e avaliação da flutuação dos atributos analisados pelos departamentos de planejamento da indústria mineira. O método de simulação seqüencial Gaussiana (SSG) é amplamente utilizado para a construção destes modelos. O SSG caracteriza-se por representar adequadamente o espaço de incerteza da variável aleatória (VA) Z(u), desde que o número de realizações L seja adequado para reproduzi-lo. Existem dois algoritmos implementados em SSG que efetuam a tiragem aleatória da distribuição condicional local de probabilidade (dclp) cumulativa, visando gerar as realizações que vão compor a simulação. O algoritmo clássico, baseado na tiragem simples por Monte Carlo, denomina-se Simple Random Sampling (SRS), enquanto que o método alternativo é denominado Latin Hypercube Sampling (LHS). Esta dissertação compara a eficiência destes dois algoritmos, como forma de caracterizar o espaço de incerteza de algumas funções de transferência usadas na indústria mineral. O estudo de caso envolveu a análise do número de realizações necessárias para caracterizar adequadamente a variabilidade da resposta destas funções, como mecanismo para comparação, para um banco de dados de minério de ferro da Província Mineral de Carajás. Observou-se que o método LHS ofereceu maior eficiência na caracterização do espaço de incerteza da VA Z(u), estratificando a dclp de acordo com cada realização, proporcionando menor número de realizações e melhor cobertura da dclp, na construção do modelo de incerteza. Estes benefícios facilitam a implementação da técnica de SSG nas rotinas de planejamento, de forma que os modelos de incerteza serão menores e mais fáceis de manipular.
publishDate 2010
dc.date.issued.fl_str_mv 2010
dc.date.accessioned.fl_str_mv 2011-05-03T06:00:17Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/28838
dc.identifier.nrb.pt_BR.fl_str_mv 000768749
url http://hdl.handle.net/10183/28838
identifier_str_mv 000768749
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/28838/2/000768749.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/28838/1/000768749.pdf
http://www.lume.ufrgs.br/bitstream/10183/28838/3/000768749.pdf.jpg
bitstream.checksum.fl_str_mv 7273a1f493f5b0a1f4e68268a7a92a3a
6c248620127800ddcc79d4f6b023af23
adf586ea1169893555364cd5a7be4586
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1810085197949960192