PEMODELAN DAN EVALUASI CADANGAN

“MINING DILUTION”

OLEH
KELOMPOK 6

DHENA REZQIAH S. D621 15 024

A. AHMAD FAUZAN NUR D621 15 022
RIZKYANTO D621 15 020

DEPARTEMEN TEKNIK PERTAMBANGAN

FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN

GOWA
2018
 KATA PENGANTAR

Puji dan syukur patut kita panjatkan kehadirat Tuhan Yang Maha Esa atas
pertolongan-Nya sehingga kami dapat menyelesaikan makalah mengenai “Mining
Dilution”. Makalah ini membahas mengenai faktor apa saja yang mempengaruhi
terjadinya dilusi, serta apa saja jenis-jenis dari dilusi itu sendiri.
Saya mengucapkan terimakasih kepada bapak Dr. Ir. Irzal Nur, MT. selaku
dosen mata kuliah ini yang telah memberikan tugas ini dan telah menuntun penulis
dalam menyelesaikannya. Harapan penulis semoga makalah ini membantu menambah
pengetahuan dan pengalaman bagi para pembaca, sehingga penulis dapat
memperbaiki bentuk maupun isi makalah ini sehingga kedepannya dapat lebih baik.
Penulis menyadari bahwa makalah mengenai “Mining Dilution” ini belum begitu
sempurna. Oleh karena itu, kami mengharapkan kritik dan saran guna melengkapi
makalah kami ini. Demikian makalah ini, atas perhatiannya penulis ucapkan
terimakasih.

Gowa, 17 April 2018

Penyusun
 DAFTAR ISI

KATA PENGANTAR .........................................................................................i

DAFTAR ISI .................................................................................................. ii
BAB I_PENDAHULUAN ................................................................................. 1
1.1 Latar Belakang ....................................................................................... 1
1.2 Rumusan Masalah .................................................................................. 1
1.3 Tujuan Penulisan .................................................................................... 2
1.4 Manfaat Penulisan .................................................................................. 2
BAB II_TINJAUAN PUSTAKA .........................................................................
2.1 Dilusi ..................................................................................................... 1
2.2 Sumber Daya Terbalik Versus In-Situ ........................................................
2.3 Jenis-jenis Dilusi Dan Loss Ore .................................................................
2.4 Koreksi Volume-Varians ...........................................................................
2.5 Pengaruh Informasi .................................................................................
2.6 Ringkasan Praktik Minimum, Baik dan Terbaik ............................................
BAB III_PENUTUP .........................................................................................
3.1 Kesimpulan .............................................................................................
3.2 Saran .....................................................................................................
DAFTAR PUSTAKA
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Sumber daya mineral seperti emas, nikel, tembaga, besi dan lain-lain
merupakan sumber daya alam yang tak terbaharui atau non-renewable resource,
artinya sekali bahan galian ini dikeruk, maka tidak akan dapat pulih atau kembali ke
keadaan semula.
Pada tahap operasi penambangan bahan galian, ada banyak sekali operasi atau
kegiatan dari proses eksploitasi itu sendiri yang dapat mempengaruhi kadar dari
endapan bahan galian tersebut. Biasanya, kegiatan seperti peledakan (blasting)
ataupun penggerukan dengan alat berat mekanis dapat menyebabkan terjadinya
proses dilusi atau penurunan kadar dari endapan bahan galian tersebut.
Dilusi adalah masalah kritis yang mempengaruhi banyak aspek dalam
penambangan. Hal ini umumnya karena karakteristik geometrik dari tubuh bijih,
operasi penambangan, karakteristik kontak geologi, dan keterbatasan peralatan
penambangan untuk memulihkan material ke batas atau kontak yang diinginkan. Ada
tiga jenis dilusi yang perlu dipertimbangkan pada saat estimasi sumber daya mineral.
Dilusi karena kontak geologi dan dilusi karena pencampuran jenis material dalam blok
yang terbaik ditangani oleh ahli geologi dan pengukur sumber daya pada saat
pemodelan. Dilusi operasional umumnya direncanakan oleh insinyur pertambangan
pada saat mengembangkan rencana penambangan, tetapi juga terjadi secara tak
terduga, dan disebut dilusi tidak terencana.
Oleh karena itu, penyusun merasa sangat penting untuk menyusun makalah ini
guna memberikan informasi kepada pembaca seputar masalah dilusi dalam proses
penambangan. Hal ini juga berguna untuk membantu mempelajari dan memahami
mengenai proses dilusi itu sendiri dan faktor apa saja yang dapat menyebabkan
terjadinya penurunan kadar pada suatu endapan bahan galian.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka rumusan masalah yang terdapat

dalam penyusunan makalah ini adalah sebagai berikut:
 1. Apa yang dimaksud dengan dilusi tambang ?
2. Faktor apa saja yang mempengaruhi terjadinya dilusi ?
3. Apa saja jenis-jenis dari dilusi ?

1.3 Tujuan Penulisan

Berdasarkan rumusan masalah di atas, maka tujuan yang ingin dicapai dalam
penyusunan makalah ini adalah sebagai berikut:
1. Mengetahui yang dimaksud dengan dilusi tambang.
2. Mengetahui faktor-faktor yang mempengaruhi terjadinya dilusi.
3. Mengetahui jenis-jenis dilusi.

1.4 Manfaat Penulisan

Makalah ini bermanfaat dalam menambah wawasan para pembaca, khususnya

mahasiswa dalam bidang pertambangan mengenai dilusi tambang. Melalui makalah ini,
pembaca dapat mengetahui tentang faktor apa saja yang menyebabkan dilusi dana pa
saja jenis-jenis dari dilusi itu sendiri,
 BAB II
TINJAUAN PUSTAKA

2.1 Dilusi

Dilusi penambangan merupakan salah satu faktor paling penting yang

mempengaruhi ekonomi proyek pertambangan. Dilusi adalah bercampurnya barren
rock dengan bijih hasil penambangan sehingga akan menghasilkan kadar broken ore
yang lebih kecil. Dilusi mengacu pada bahan limbah yang tidak dipisahkan dari bijih
selama operasi dan ditambang dengan bijih. Bahan limbah ini dicampur dengan bijih
dan dikirim ke pabrik pengolahan (R.M. Jara 2006, A. Sinclair 2002). Dilusi
meningkatkan tonase bijih sekaligus menurunkan nilainya. Dilusi dapat didefinisikan
sebagai rasio tonase limbah yang ditambang dan dikirim ke pabrik ke tonase total bijih
dan limbah gabungan yang digiling. Biasanya dinyatakan dalam format persen. Ini
dapat dinyatakan sebagai:
𝑊𝑎𝑠𝑡𝑒 𝑇𝑜𝑛𝑛𝑒𝑠
Dilution = (𝑂𝑟𝑒 𝑇𝑜𝑛𝑛𝑒𝑠 + 𝑊𝑎𝑠𝑡𝑒 𝑇𝑜𝑛𝑛𝑒𝑠) x 100

Faktor dilusi bervariasi dalam satu tambang untuk berbagai bangku dan zona.
Ini karena perubahan yang kita lihat dalam distribusi kelas dan bentuk tubuh bijih. Ini
juga bervariasi berdasarkan harga komoditas. Penting untuk memastikan bahwa variasi
ini diperhitungkan ketika merancang atau mengevaluasi tambang.
Dilusi meningkatkan biaya operasi di pabrik dengan meningkatkan tonase
material yang akan digiling. Selain dampak langsungnya terhadap pendapatan jangka
pendek dari suatu tambang, dilusi menyebabkan perubahan signifikan dalam faktor-
faktor lain yang pada jangka panjang mengurangi keseluruhan nilai proyek. Misalnya,
ia memperpanjang umur tambang dengan mengurangi kapasitas efektif pabrik. Ini
juga mengurangi nilai pakan. Dalam banyak kasus, nilai pakan yang lebih rendah
berarti pemulihan pabrik yang lebih rendah. Dilusi juga meningkatkan nilai cut-off yang
pada gilirannya mengurangi penggunaan bijih keseluruhan tambang.
Dalam beberapa kasus, untuk memanfaatkan skala ekonomi, operasi
penambangan cenderung merencanakan tingkat penambangan yang lebih tinggi.
Pindah ke skala operasi yang lebih besar berarti lebih sedikit selektivitas, maka lebih
banyak dilusi. Ini berlaku untuk semua jenis deposit. Dilusi tingkat tinggi dan tidak
terkontrol pada akhirnya dapat mengalahkan tujuan peningkatan tingkat produksi.
 Jika tidak mustahil dalam teori itu sangat sulit dan mahal untuk menghilangkan
dilusi dalam praktek. Sejumlah dilusi praktis tidak dapat dihindari dalam kebanyakan
operasi penambangan (Scoble dan Moss, 1994). Meskipun sepenuhnya menghindari
dilusi mungkin tidak mungkin, kita dapat mengukur dan mengendalikannya. Dengan
lebih memahami akar penyebab dilusi dan perencanaan yang sesuai, itu dapat
dikontrol dan dikurangi. Kerugian dan dilusi bijih hadir di semua tahap penambangan
dan sementara beberapa model dapat menyelidiki pengaruh dilusi, kuantifikasinya
yang menimbulkan tantangan paling serius (Pakalnis et al., 1995).
Dilusi bervariasi di berbagai tambang berdasarkan karakteristik deposit, aspek
operasional dan nilai cut-off ekonomi. Misalnya, bentuk deposit, tinggi bench, ukuran
peralatan, dan kondisi pasar akan berdampak pada tingkat dilusi di tambang. Sangat
penting bagi proyek pertambangan untuk memiliki pemahaman yang lebih baik
tentang dilusi sejak awal. Di masa seperti saat ini, dimana operasi penambangan harus
beroperasi pada efisiensi puncak, bahkan lebih penting untuk dapat menghitung dan
memiliki pemahaman yang lebih baik dari semua parameter yang mempengaruhi
ekonomi proyek termasuk dilusi. Untuk menghasilkan evaluasi proyek yang lebih baik,
studi dilusi harus menjadi bagian integral dari setiap proyek.

2.2 Sumber Daya Terbalik Versus In-Situ

Tujuan dari model sumber daya adalah untuk memprediksi tonase dan nilai
yang akan diterima oleh pabrik benefisiasi pada interval waktu tertentu. Ini berlaku
setiap saat dalam operasi penambangan: pada evaluasi awal proyek, sebagai bagian
dari pra-studi kelayakan dan kelayakan, dan dalam konteks model sumber daya jangka
panjang dan jangka pendek dalam operasi tambang. Prosedur untuk memperkirakan
dan mengelola dilusi perlu diperbarui secara berkala untuk menangkap semua
informasi dan pengalaman baru yang dikumpulkan saat deposit sedang ditambang.
Model yang mencoba memenuhi persyaratan ini disebut "model yang dapat dipulihkan"
(David 1977; Journel dan Huijbregts 1978; Rossi dan Parker 1993).
Model sumber daya yang dapat dipulihkan adalah perkiraan tonase dan tingkat
bahan ekonomi di atas cutoff tertentu, tetapi juga dapat mencakup karakteristik geo-
metalurgi dan geo-mekanis lainnya yang mempengaruhi kinerja pabrik. Pendapatan
adalah fungsi dari nilai, harga produk, pemulihan metalurgi, dan biaya operasi seperti
biaya penambangan, metalurgi, dan umum dan administrasi (G & A):
Revenue = Price*Recovery*Grade(s) - (Mining Cost + Metallurgical Cost + G & A
Costs)……………………………………………………………………….…………. (2.1)

Nilai yang pendapatan nol disebut break even (atau ekonomi) cutoff grade.
Tergantung pada biaya yang dipertimbangkan, berbagai jenis cutoff digunakan. Pada
titik impas, Pendapatan dalam Persamaan. 7.1 adalah nol, dan nilai cutoff grade yang
sesuai adalah:

𝑀𝑖𝑛𝑖𝑛𝑔+𝑀𝑒𝑡𝑎𝑙𝑙𝑢𝑟𝑔𝑖𝑐𝑎𝑙+𝐺&𝐴 𝐶𝑜𝑠𝑡𝑠
Nilai Cutoff Grade = ........................(2.2)
𝑃𝑟𝑖𝑐𝑒∗𝑅𝑒𝑐𝑜𝑣𝑒𝑟𝑦

Biaya biasanya dinyatakan per unit, seperti dolar per ton. Unit yang digunakan
dalam perhitungan harus konsisten, yang sering membutuhkan faktor konversi.
Cutoff lain yang penting dalam operasi penambangan terbuka adalah cutoff
marginal, mirip dengan cutoff ekonomi, kecuali bahwa biaya penambangan tidak
dipertimbangkan. Hal ini cukup untuk menilai batu ketika penambangan berlangsung
dan materialnya harus ditambang. Satu-satunya keputusan adalah dimana
mengirimnya, pabrik, tempat penyimpanan, atau tempat pembuangan sampah. Biaya
penambangan harus dikeluarkan dan dianggap sebagai biaya hangus. The cutoff
marginal digunakan misalnya dalam kontrol kelas.
Perhitungan cutoff menjadi rumit jika ada beberapa logam untuk
dipertimbangkan, masing-masing dengan pemulihan dan biaya metalurgi yang
berbeda. Juga, mungkin ada biaya penambangan berbeda yang terkait dengan
pengiriman material ke pabrik, yang bertentangan dengan tempat pembuangan atau
penimbunan limbah. Dalam hal persediaan, biaya penanganan ulang juga harus
dipertimbangkan. Akhirnya, biaya G & A adalah gabungan biaya, tidak semuanya
terkait langsung dengan operasi. Perusahaan pertambangan memiliki kebijakan yang
berbeda-beda dimana biaya dimasukkan dalam perhitungan ini pada proyek
berdasarkan proyek. Misalnya, overhead kantor pusat perusahaan mungkin atau
mungkin tidak disertakan. Setiap blok harus dinilai secara terpisah mempertimbangkan
semua pendapatan dan biaya, dan kemudian blok dengan total pendapatan positif
dianggap bijih.
Dalam apa yang berikut "cutoff" menyiratkan cutoff ekonomi yang dijelaskan
oleh Persamaan. 7.1 di atas, kecuali ditentukan lain.
 Pada tahap awal proyek, perhatian utamanya adalah untuk menentukan apakah
deposit mengandung mineralisasi yang cukup untuk menjamin studi dan investasi lebih
lanjut, yaitu, sangat sedikit yang diketahui tentang potensi deposit untuk menjadi
tambang yang beroperasi. Rincian teknis dan spesifikasi untuk perencanaan dan
metalurgi tambang diperlukan untuk memperkirakan tonase dan nilai yang dikirimkan
ke pabrik. Dalam hal ini, karena proporsi mineralisasi yang akan dipulihkan tidak
diketahui, lebih baik untuk memperkirakan sumber daya "in-situ".
Akuntansi untuk pertimbangan tambang dan pabrik pada saat itu
memperkirakan sumber daya belum diterima secara universal. Sumber dilusi dan ore
loss sudah dikenal, tetapi tidak mudah dihitung. Beberapa praktisi lebih suka
menghitung model mineralisasi tanpa kendala rekayasa. Dilusi kemudian harus
ditambahkan ke model blok oleh insinyur perencanaan tambang, biasanya
menggunakan faktor global. Secara umum, semua model sumber daya harus dapat
dipulihkan.
Diferensiasi antara model sumber daya terpulihkan dan model cadangan
didasarkan pada susunan kata dari Sistem Klasifikasi Sumber Daya yang berbeda yang
digunakan saat ini. Istilah "cadangan" digunakan untuk bahan yang telah terbukti
cukup layak untuk ditambang dengan manfaat ekonomi. Ini menyiratkan bahwa
rencana tambang yang terdefinisi dengan baik sudah ada, bahwa penelitian metalurgi
telah membuktikan bahwa bijih tersebut dapat menerima manfaat, bahwa ada pasar
yang layak untuk produk tersebut, dan bahwa tidak ada hambatan hukum atau
lingkungan untuk pengembangan tambang. Selain itu, model cadangan dapat
mencakup beberapa dilusi operasional tambahan yang tidak secara eksplisit
dimasukkan dalam model sumber daya yang dapat dipulihkan.
Informasi lubang bor yang tersedia memiliki volume dan skala yang jauh lebih
kecil daripada volume perencanaan tambang dan pemilihan bijih / limbah. Lubang bor
berdiameter beberapa sentimeter, dan setiap sampel biasanya mewakili antara 10 dan
50 kg bahan. Sebaliknya, tambang terbuka yang sangat selektif akan
mempertimbangkan unit penambangan 5 × 5 × 5 m (kira-kira 325 metrik ton dengan
asumsi kepadatan 2,65 t / m3), sedangkan yang lebih besar, deposito besar berencana
pada unit yang sebesar 25 × 25 × 15 m (sekitar 25.000 metrik ton). Beberapa
tambang bawah tanah bisa lebih selektif, tetapi volume unit perencanaan masih lipat
lebih besar dari lubang bor.
 Volume ekstraksi diwakili dengan "Unit Penambangan Selektif", atau SMU. SMU
didefinisikan sebagai volume terkecil yang dapat dipulihkan oleh operasi, dan
tergantung pada metode penambangan, ukuran peralatan, data yang tersedia pada
saat seleksi dan karakteristik selektivitas operasi. Untuk kenyamanan, itu umumnya
direpresentasikan sebagai blok persegi panjang, meskipun tambang tidak pernah
mengekstrak bijih dan limbah sebagai paralelepipeds sempurna.

Gambar 2.1 Bucyrus SME 60 Shovel digunakan pada tonase besar Escondida Cu
Mine, Northern Chile (foto milik BHP Billiton). Benches setinggi 15m.

Untuk tambang terbuka, dimensi vertikal SMU adalah tinggi bangku, meskipun
kadang-kadang beberapa tambang beroperasi di ketinggian dua atau setengah
bangku. Dimensi lateral menunjukkan lebar minimum peralatan ekstraksi, dengan
pertimbangan untuk menggali kedalaman, sudut istirahat material, kemampuan
manuver peralatan, dan informasi yang tersedia untuk mendukung perkiraan kelas
pada jarak pendek. Jika itu adalah sekop listrik besar, lihat Gambar 7.1, dengan
kapasitas pemuatan nominal 90.000 ton bahan per hari, lebar minimum adalah sekitar
18-20 m. Untuk operasi besar seperti itu, ketinggian bangku biasanya 15m, dan
dengan demikian SMU akan menjadi 20m × 20m × 15m.
Jika peralatan yang dipertimbangkan adalah front-end loader (seperti yang
ditunjukkan pada Gambar 7.2), lebar bucket bervariasi antara 5,6 dan 6,2 m
(tergantung pada model), sehingga secara umum diterima bahwa lebar minimum
untuk selectivity sekitar 8–10 m. Tipikal bench height adalah 10m,
sehingga ukuran SMU umum untuk jenis operasi ini bisa 10 × 10 × 10 m.
Dua contoh ini mengasumsikan bahwa akan ada sampling kontrol kelas yang
memadai dan praktik pengendalian mutu yang memadai untuk memperkirakan nilai
yang dapat diandalkan pada skala SMU yang disebutkan. Ukuran SMU bisa lebih besar
dengan deposito yang sulit dan sampel kontrol kelas yang buruk. Bijih dan limbah
dapat ditentukan oleh kontak visual yang tajam. Dalam kasus seperti itu, peralatan
mungkin dapat menambang ke kontak hanya dengan 2 atau 3 m dilusi/ore loss.
Metode penambangan bawah tanah sangat bervariasi dalam selektivitas.
Mereka sering lebih selektif daripada lubang terbuka, tetapi ada pengecualian yang
signifikan, seperti tambang yang menggunakan metode caving blok atau sublevel.
Dalam operasi cut and fill tradisional, dengan 5m lift, SMU bergantung pada geometri
dari badan bijih, tetapi biasanya adalah 5 × 5 × 5 m, dengan asumsi bahwa tambang
dapat memisahkan bijih dan limbah dari tunggul.

Gambar 2.2 Caterpillar 992 front-end loader yang digunakan pada Osvaldo Diez vein
milik Cerro Vanguardia. Cerro Vanguardia adalah deposit Emas-Perak
yang terletak di Patagonia Wilayah Selatan Argentina (foto milik Cerro
Vanguardia S.A.). Benches setinggi 5m.
Gambar 2.3 Sebuah hand-specimen sekitar 3 inci dalam ukuran yang menunjukkan
mineralisasi Porphyry Cu yang khas (Chrysocolla in Type-D veinlet,
milik BHP Billiton)

Definisi SMU adalah nyaman untuk pemodelan blok, tetapi tidak secara realistis
mewakili proses ekstraksi: shovel dan loader tidak memuat kubus! Selain itu, SMU
individu tidak dapat dipilih secara mandiri meskipun konsep SMU menganggap
pemilihan gratis. Praktik yang sebenarnya dari pemilihan bijih dan limbah menunjukkan
bahwa konsep SMU adalah pendekatan yang mudah. Penambangan sepanjang batas
umumnya lebih selektif daripada ukuran SMU nominal untuk tambang, dan biasanya
ukuran sampah atau mineral ukuran SMU yang terisolasi tidak akan ditambang.

2.3 Jenis-Jenis Dilusi dan Loss Ore

Ada beberapa sumber dilusi dan loss ore. Dilusi dan loss ore selalu terkait erat,
dan referensi untuk dilusi mencakup kedua kasus. Sumber utama dilusi dapat
diklasifikasikan menjadi tiga kategori berbeda (Rossi 2002):
Dilusi internal atau Perubahan Dukungan adalah konsekuensi dari memprediksi
sumber daya pada volume yang berbeda dari data asli (Parker 1980). Perkiraan
sumber daya membutuhkan tingkat rata-rata dalam blok dan umumnya dimodelkan
menggunakan volume-varians atau perubahan koreksi dukungan, sebagaimana
dibahas secara rinci di bagian berikutnya. Campuran bahan ini tentu termasuk
mineralisasi kelas tinggi dan rendah, yang akan lebih signifikan jika mineralisasi kurang
berkelanjutan. Juga, semakin besar ukuran blok yang dipertimbangkan, semakin besar
jumlah pencampuran mineralisasi atau dilusi internal.
Foto pada Gambar 2.3 adalah contoh tangan dari mineralisasi Porphyry Cu yang
khas, dimana di dalam massa batuan padat, high grade veinlets Chrysocolla (Cu
mineralisasi) terlihat. Jika mineralisasi ini harus diambil sampelnya pada skala yang
sangat halus, penyebaran nilai Cu yang dihasilkan dari pengujian laboratorium dapat
diwakili oleh distribusi seperti yang ditunjukkan pada Gambar 2.4, atas. Jika volume
sampel yang diambil lebih besar, maka akan ada lebih banyak pencampuran materi
dalam sampel yang diberikan, sehingga veinlets bermutu tinggi dicampur dengan
bahan kelas bawah yang mengelilinginya. Dalam hal ini, distribusi seperti yang
ditunjukkan pada Gambar 2.4 (bawah) dapat diperoleh.

Gambar 2.4 Distribusi titik di atas dikoreksi ke blok (SMU) distribusi di bawah.
 Perhatikan bahwa sarana distribusi adalah sama (nilai adalah pecahan massa
dan mereka naik secara linear, sehingga rata-rata keseluruhan dipertahankan), tetapi
standar deviasi dan koefisien variasi lebih kecil untuk distribusi volume yang lebih
besar. Juga, minimum dan maksimum distribusi lebih dekat dengan rata-rata
keseluruhan. Ada juga kecenderungan umum untuk distribusi volume yang lebih besar
agar lebih simetris daripada distribusi aslinya.
Karena mineralisasi tidak homogen, pencampuran material kelas yang berbeda
selalu terjadi. Ini berlaku untuk semua jenis mineralisasi, dan tergantung pada sifat
dari peristiwa geologis yang menghasilkan mineralisasi. Kehadiran veinlets
termineralisasi, zona atau unit yang sangat retak, dan lebih banyak atau lebih sedikit
permeabel litologi berdampak pada jumlah dilusi internal yang diharapkan.
Geologic Contact Dilution didefinisikan sebagai dilusi dan ore loss yang
dihasilkan dari ekstraksi bahan yang berbeda karakteristik geologi. Jenis dilusi ini
sering dapat dipertanggungjawabkan ketika menggunakan sub-sel atau sebagian blok
dalam definisi model blok sumber daya: nilai dan karakteristik lain dari setiap unit
geologi yang bersentuhan dalam setiap blok dapat dirata-ratakan. sesuai dengan
proporsi masing-masing dalam blok penambangan model.
Dampak dan kepentingan relatif dari jenis dilusi ini tergantung pada geometri
batas antara unit geologi dan perbedaan tingkat antar unit. Dalam tonase tinggi,
logam-logam basa masif menyimpan dampak dilusi kontak geologi akan kecil jika
dibandingkan dengan endapan dengan geometri yang rumit, seperti tipe vena atau
deposit skarn, atau deposit yang dikontrol secara stratigrafi dengan pelipatan dan
sesar yang signifikan. Untuk ukuran blok tetap, katakanlah SMU, dilusi kontak dapat
dikarakterisasi untuk zona geologi individual atau domain estimasi dengan rasio volume
kontak permukaan (SCV) ke volume ekstraksi keseluruhan (V), SCV/V, yang diukur
dengan volume diwakili oleh blok dengan kontak geologi ke volume keseluruhan unit.
Faktor tanpa unit ini memberikan indikasi seberapa pentingnya dilusi kontak.
Sebuah rasio 0,05 atau lebih tinggi umumnya menunjukkan dilusi kontak yang tinggi,
dan merupakan karakteristik veintype, skarns, atau tipis, deposit tabular, sedangkan
nilai kurang dari 0,01 sesuai dengan tonase massal, masif, atau deposito tipe porfiri.
Untuk deposit besar, dilusi kontak umumnya merupakan masalah lokal, karena
sebagian besar tonase akan ditambang jauh dari kontak, dan oleh karena itu
pentingnya dari model sumber daya global mungkin terbatas. Namun, hal ini dapat
berdampak pada penentuan posisi dinding pit atau tunggul terakhir, serta volume
limbah yang sesuai yang harus dibuang untuk mengakses bijih (mining strip ratio). Ini
adalah kasus yang sangat berbeda untuk tipe-skarn dan deposito kecil, tipe tabular
atau vein, dimana dilusi kontak mungkin merupakan jenis dilusi yang paling penting.

Gambar 2.5 Sectional view dari deposit dengan kontrol pseudo-stratigraphic. Satuan
lithology diwakili oleh merah (Volcanic Breccias) dan biru (Andesites),
dengan cross cutting dykes (dalam warna ungu). Blocks berukuran 5 ×
5 m dan dapat digunakan untuk skala; vertical extension yang
ditunjukkan adalah sekitar 800m. Model blok (dengan sub-cells)
dihamparkan pada model geologi; supporting drill holes tidak
ditampilkan. Courtesy of Minera Mich- illa S.A., Chile

Gambar 2.5 menunjukkan penampang model litologi untuk deposit Lince-

Estefanía Cu, dengan yang sesuai model blok dengan sub-sel dihamparkan pada
tampilan. Perhatikan bagaimana stratigrafi umum disilang oleh tanggul yang
mengganggu. Juga perhatikan bahwa, berdasarkan luas permukaan kontak relatif
tinggi terhadap volume, dampak dilusi kontak geologi kemungkinan besar akan
signifikan. Dilusi kontak dapat dimasukkan ke dalam model blok menggunakan dua
alternatif tetapi teknik serupa secara konseptual:
1. Metode sub-sel, seperti yang ditunjukkan pada Gambar 7.5, memberikan
definisi yang lebih baik dari kontak geologi. Seperti yang dibahas di Chap. 3,
sub-sel ini kemudian kembali diblokir ke ukuran blok induk dari model untuk
 memberikan nilai yang diencerkan dan mempertahankan proporsi setiap unit
geologi dalam setiap blok.
2. Perhitungan langsung dari proporsi (persentase) setiap unit dalam setiap blok,
menyimpan persentase masing-masing unit di dalam blok.
Nilai rata-rata blok dinyatakan sebagai proporsi rata-rata tertimbang dari nilai
masing-masing unit geologi dalam blok:

………………………………………........(2.3)
dimana zv mewakili rata-rata blok kelas, pi i = 1,...,n, mewakili persentase total massa

untuk masing-masing unit n geologi yang mungkin ada di blok, dan zi

mewakili nilai masing-masing unit di dalam blok.
Pilihan lain yang kurang diinginkan adalah memasukkan secara empiris ke
dalam faktor-faktor model blok yang menghukum nilai-nilai memblokir pada atau dekat
kontak, sesuai dengan kriteria yang ditentukan sebelumnya. Ini dilakukan, misalnya,
untuk salah satu model sumber daya Mine Escondida. Dalam metode ini, jika kontak
antara zona geologi tingkat tinggi dan limbah melewati blok yang diberikan, nilai blok
tersebut diturunkan secara arbitrer. Keterbatasan prosedur ini adalah signifikan, karena
faktor yang diterapkan adalah empiris dan global, yang bertentangan dengan dilusi
menurut nilai perkiraan lokal.
Metode lain yang dapat digunakan untuk memperkirakan dilusi dan ore loss
karena kontak geologi adalah untuk menarik amplop bijih di sekitar zona
termineralisasi, dan kemudian memperkirakan terjadinya overbreak, atau volume
tambahan untuk penambangan. Ini dapat dilakukan pada bagian atau bangku, dan
memberikan perkiraan total kelas dan tonase material yang akan dipulihkan. Metode
serupa juga digunakan oleh para insinyur pertambangan untuk memperkirakan dilusi
operasional. Metode ini paling cocok untuk deposit dengan zona bijih yang terdefinisi
dengan batas-batas keras, seperti tipe vena atau deposit Au epitermal. Dilusi kontak
geologi dikuantifikasi dari model geologi.
Dengan demikian, keakuratan lokal dari estimasi dilusi kontak tergantung pada
kualitas model geologi.
Pengusahaan Penambangan Operasional termasuk dilusi dan ore loss yang
terjadi pada saat penambangan. Peralatan penambangan tidak dapat dihindari
mencampur material, karena ketepatan dengan peralatan yang dapat mengikuti garis
penggalian terbatas, bahkan dengan Global Positioning Systems (GPS). Jika kontak
bijih/limbah sesuai dengan kontak geologi, operasional dan dilusi kontak adalah sama.
Lebih umum, bagaimanapun, kontak bijih dan limbah yang terjadi pada saat
penambangan didefinisikan dalam istilah ekonomi, dan mereka tidak selalu mengikuti
zona kontak geologi.
Satu kemungkinan perkiraan jenis dilusi ini dapat diperoleh dengan perhitungan
geometrik sederhana. Gambar 2.6 mengilustrasikan kasus tambang terbuka, dimana
dilusi dan ore loss dimasukkan ke dalam sumber daya mengingat ketinggian bangku
tertentu dan dengan asumsi sudut istirahat untuk material. Total logam yang hilang
tergantung pada karakteristik kontak, termasuk tingkat ore loss dan tingkat material
dilusi. Referensi yang baik untuk kuantifikasi dilusi untuk endapan bawah tanah dari
perspektif perencanaan tambang dapat ditemukan di Pakalnis et al. (1995).

Gambar 2.6 Skema dilusi operasional penambangan dan ore loss. Dilusi dan
ore loss mewakili bench height sebesar 10m dan an angle of
repose dari broken ore sebesar 45°. Volume keseluruhan
masing-masing adalah 125 m3 jika diasumsikan SMU sebesar 10
× 10 × 10 m.
Sumber lain dari dilusi dan ore loss adalah hembusan dan gerakan yang
menggeser posisi material yang akan ditambang dan mempersulit dig-lines yang
dimodelkan. Penelitian yang signifikan telah dilakukan di daerah ini (Yang dan
Kavetsky 1990; Harris 1997; dan Zhang 1994), tetapi sampai saat ini ada beberapa
operasi yang mencoba untuk mengukur secara akurat dan bertanggung jawab atas
ledakan yang terjadi.
Ore loss dan dilusi bijih juga terjadi ketika bahan yang diekstraksi diangkut ke
tujuan yang salah: limbah yang dikirim ke pabrik, atau bijih yang dikirim ke tempat
pembuangan. Peralatan kontrol seperti sistem GPS dan Truck Dispatch telah
mengurangi frekuensi kesalahan ini, tetapi masalah kontrol tujuan tetap ada dan dapat
menjadi signifikan.
Terkadang penting untuk membedakan antara dilusi terencana dan tidak
terencana; mungkin ada yang tidak terduga praktik operasional di tambang yang
meningkatkan dilusi. Dalam beberapa hal, kehilangan dan dilusi bijih dicatat dengan
menggunakan faktor-faktor yang diperoleh dari beberapa tingkat rekonsiliasi produksi,
dan diterapkan pada model sumber daya secara global.
Sebuah studi simulasi kondisional geostatistical terencana, dapat digunakan
untuk membantu memahami dilusi dan ore loss (Guardiano et al. 1995; GeoSystems
International 1999). Studi simulasi kondisional seperti itu dapat mengatasi ketiga jenis
dilusi.

2.4 Koreksi Volume-Varians

Dilusi internal kadang-kadang dimodelkan menggunakan alat geostatistik untuk

koreksi volume-varians, yang paling umum metode perubahan bentuk distribusi untuk
koreksi variasi-volume adalah Koreksi Affine, Lognormal Tidak Langsung, dan metode
Discrete Gaussian. Metode-metode ini mengoreksi distribusi atribut kelas yang
dicontohkan pada dukungan awal (Sering disebut distribusi skala titik) ke dalam blok
distribusi SMU. Metode analisis ini cepat dan berlaku umum untuk perubahan skala
kecil. Referensi klasik pada metode ini termasuk Journel dan Huijbregts (1978) dan
Isaaks dan Srivastava (1989).
Hubungan antara volume dan varians ditunjukkan pada Gambar 2.7. Variansi
menurun seiring meningkatnya volume karena rata-rata dari nilai tinggi dan rendah.
Rata-rata dipengaruhi oleh ukuran dan bentuk volume, kontinuitas variabel, dan proses
rata-rata. Untuk sebagian besar variabel dalam penambangan, karena mereka rata-
rata secara aritmatika, rata-rata tidak berubah ketika volume meningkat dan varians
distribusi menurun. Namun ada pengecualian, terutama ketika mempertimbangkan
beberapa variabel kinerja geoteknik dan metalurgi.
 Gambar 2.7 Skematis menunjukkan hubungan volume-varians untuk data asli,
distribusi ukuran SMU, dan distribusi panel yang lebih besar.

Distribusi titik atribut akan memiliki varian yang lebih besar daripada distribusi
blok dari atribut yang sama. Koreksi yang dijelaskan dalam bagian ini berlaku untuk
distribusi sampel dalam domain estimasi yang dipilih. Tujuannya adalah untuk
mengambil distribusi representatif dari data skala titik dan menyimpulkan blok global
atau distribusi SMU.
Varians tradisional didefinisikan sebagai perbedaan kuadrat dari sampel
terhadap keseluruhan berarti implisit menyatakan ukuran dukungan (sampel). Variabel
Dispersi yang lebih umum didefinisikan sebagai:

…………………………(2.4)
dimana v mewakili dukungan yang lebih kecil seperti ukuran sampel, dan V mewakili
nilai rata-rata dukungan blok yang lebih besar, seperti populasi stasioner atau distribusi
blok berukuran SMU.
Varians dispersi mengkuantifikasi pengurangan varians untuk peningkatan
volume tertentu. Varians dispersi adalah perbedaan kuadrat yang diharapkan yang
sama seperti varians yang didefinisikan sebelumnya, kecuali bahwa hal itu terkait
dengan ukuran dukungan khusus untuk data dan rerata.
 Varians dispersi dapat dinyatakan sebagai fungsi rata-rata kovarian atau
variogram, lihat Isaaks dan Srivastava (1989) atau Journel and Huijbregts (1978):

……………………………………….…(2.5)
dimana C (v,v) dan C(V,V) adalah nilai kovarian rata-rata untuk sampel pada dukungan
sampel yang lebih kecil v dan dukungan SMU. Perhatikan bahwa ini adalah rata-rata
spasial, dan oleh karena itu bebas-lokasi.
Properti aditif varians mengarah ke ekspresi berikut:

……………………………(2.6)
dimana v, V, dan G mewakili volume yang semakin besar.
Persamaan 2.6 menyatakan bahwa varians sampel dalam deposito dapat
ditemukan sebagai jumlah dari varians sampel dalam blok dengan ukuran tertentu
ditambah varians dari blok-blok tersebut dalam deposit. Hubungan ini ditemukan
secara eksperimental oleh D. Krige di tahun 1950-an, dan sering disebut hubungan
Krige.
Dalam persamaan 2.6 dua istilah biasanya dikenal: (1) varians dari data D2 (v,
G) = σ2 dan (2) varians dalam blok D2 (v, V), yang dapat diperkirakan dari model
kovarians atau variogram (Persamaan. 2.1). Varians antara blok (misalnya, varians
SMU dalam Deposit, D2 (V, G)) dapat diperoleh.
Varians dalam blok (D2 (v, V)) diperoleh dari diskritisasi blok SMU V
menggunakan titik sampel nv, dan menghitung rata-rata kovarian (C (V, V)) atau nilai
variogram untuk semua pasangan yang mungkin dalam blok. Jumlah poin diskritisasi
yang digunakan untuk memperkirakan D2 (v, V) mempengaruhi agak nilai akhirnya.
Sebagai aturan praktis, secara umum diterima bahwa grid 5 × 5 × 5 poin dalam blok
SMU cukup untuk mendapatkan perkiraan D2 yang kuat (v, V). Mempertimbangkan
terlalu banyak poin diskritisasi dapat menyebabkan masalah presisi numerik. Salah
satu pilihan adalah untuk mendapatkan varian dispersi untuk beberapa grid diskritisasi.
Gambar 2.8 menunjukkan variansi dispersi yang dihasilkan untuk model variogram
yang diberikan dan ukuran SMU untuk beberapa jaringan yang discretizing. Perhatikan
bagaimana varians dispersi stabil setelah sejumlah poin diskritisasi yang wajar telah
digunakan.
 Gambar 2.8 Sebuah contoh dari varian blok penyimpanan yang dihasilkan dari
grid diskritisasi yang berbeda. Model variogram dan ukuran blok
ditetapkan. Diskritisasi dalam Z selalu 1 karena bench height dan
composite length adalah sama dalam contoh kasus ini. Perhatikan
bahwa 3 x 3 x 1 dalam kasus ini cukup untuk mendekati varian
blok dispersi.

Varians dispersi merupakan parameter kunci yang diperlukan untuk

memprediksi sumber daya yang dapat dipulihkan. Koreksi varians-varians sering
dicirikan oleh parameter tunggal, yang dikenal sebagai Variance Correction Factor
(VCF). VCF (atau lebih sederhananya, f) didefinisikan sebagai rasio dari varian blok
SMU ke varians sampel asli:

…………………………(2.7)
Faktor f adalah ukuran berapa banyak varians dari distribusi sampel akan
berubah, sehingga memberikan gambaran tentang pentingnya koreksi volume-varians
dalam estimasi sumber daya yang dapat dipulihkan. Nilai f yang mendekati satu
menyiratkan bahwa varians sampel dalam deposit (D2 (v, G)) dan blok SMU (D2 (v,
G)) dalam deposit hampir sama. Ini karena SMU kecil (volume kecil, tambang yang
sangat selektif), atau distribusi spasial cukup kontinu, yaitu ada pencampuran yang
relatif sedikit dari nilai tinggi dan rendah dalam suatu SMU. Kebalikannya benar untuk
nilai f rendah.
Ketika volume meningkat dari dukungan data ke dukungan SMU, mean tetap
sama dan varians berubah dengan jumlah yang dapat diprediksi (dirangkum dalam
faktor f). Bentuk distribusi juga berubah. Pengaruh teorema limit sentral dirasakan
sampai batas tertentu, karena rata-rata nilai terdistribusi identik cenderung ke
distribusi normal. Nilai-nilai di dalam SMU sebenarnya tidak independen; oleh karena
itu, distribusi nilai SMU tidak selalu mendekati distribusi normal.
2.4.1 Affine Correction
Koreksi affine adalah metode paling sederhana untuk koreksi volume-varians.
Hal ini didasarkan pada konsep bahwa distribusi tidak mengubah bentuknya sementara
variansnya berkurang, karena itu mengasumsikan bahwa tidak ada peningkatan simetri
dari distribusi yang dihasilkan. Meskipun tidak ada asumsi eksplisit tambahan tentang
titik dan distribusi SMU, keabadian bentuk asumsi adalah membatasi, karena diketahui
bahwa bentuk distribusi akan berubah ketika variabel dirata-ratakan dalam volume
yang lebih besar. Oleh karena itu, dalam praktiknya, kisaran penerapan metode ini
terbatas pada perubahan kecil dalam variasi, yang perubahan dalam bentuk distribusi
kecil.
Koreksi affine bekerja dengan mengubah setiap nilai dari distribusi sampel
menjadi nilai yang berbeda dari distribusi SMU, sesuai dengan hubungan berikut:

……………………………………………(2.8)
dimana z adalah nilai dari distribusi asli, z ′ adalah nilai yang sesuai dari distribusi SMU,
f adalah faktor koreksi varians, dan m adalah mean dari distribusi sampel dan SMU.
Menurut Journel dan Huijbregts (1978, p. 471), koreksi affine dapat diterapkan
sampai sekitar faktor koreksi 30% (f> 0,7), meskipun dalam pengalaman penulis ini
optimis. Bahkan untuk variasi volume-varians yang jauh lebih kecil dari 30%, koreksi
affine tampaknya memberikan prediksi yang salah, lihat Rossi dan Parker (1993) dan
contoh di bawah ini.
2.4.2 Koreksi Normal-Log Tidak Langsung
Koreksi log-normal tidak langsung (ILC) didasarkan pada gagasan bahwa
perubahan dukungan digambarkan oleh dua distribusi Log-normal yang memiliki mean
yang sama, tetapi varians yang berbeda. Ini dianggap benar terlepas dari karakteristik
dari dua distribusi asli (titik dan dukungan SMU), kecuali bahwa mereka harus condong
positif. Kuantum dari distribusi asli diubah menjadi distribusi SMU mengikuti persamaan
eksponensial:

…………………………………………………………………….…….(2.9)
dengan koefisien a dan eksponen b yang diberikan oleh:

dan

dimana m adalah mean, CV adalah koefisien variasi distribusi titik, dan f adalah faktor
koreksi varians (VCF) yang didefinisikan sebelumnya.
Namun, karena distribusi tidak secara umum akan persis lognormal, maka
transformasi Persamaan. 2.9 tidak akan menghasilkan rata-rata yang sama untuk
distribusi yang ditransformasikan dan tidak diterjemahkan. Jadi, langkah terakhir
diperlukan untuk memastikan bahwa mean asli diperoleh

……………………………………………………….…………...(2.10)
Setelah menerapkan Persamaan. 2.10, kuantil dari distribusi SMU telah
dikompkalasikan kembali ke mean yang benar. Yang menarik, perbedaan antara rata-
rata transformasi pertama dan mean yang di-rescaled dapat digunakan sebagai ukuran
perbedaan antara distribusi asli dan distribusi Log-normal. Koreksi akhir dapat
menyebabkan varians menjadi sedikit berbeda dari varians target.
2.4.3 Ketahanan Model Distribusi Lainnya
Sebagai generalisasi dari metode sebelumnya, prinsip yang sama dapat
diterapkan pada distribusi lain, paling praktis untuk mereka yang dicirikan oleh dua
parameter, seperti distribusi Gaussian, Lognormal, dan bahkan distribusi Gamma.
Dengan asumsi bahwa distribusi sampel dapat diperkirakan oleh distribusi
Gaussian multivariat, maka distribusi blok yang dihasilkan juga akan multi-Gaussian,
dengan mean yang sama dan varians yang dikoreksi, seperti yang dijelaskan
sebelumnya.
 Demikian pula, distribusi sampel dapat diasumsikan multi-Lognormal, dalam hal
ini distribusi SMU yang dihasilkan juga diasumsikan multi-Lognormal (meskipun, seperti
dalam kasus koreksi affine, ini adalah asumsi yang dikenal sebagai salah), dengan
varians rata-rata dan terkoreksi yang sama.
Karena metode-metode ini tidak banyak bermanfaat dalam prakteknya,
pembaca mengacu pada Journel dan Huijbregts (1978, hlm. 468–469) untuk formula
spesifik dan rincian lebih lanjut tentang batasan-batasan metode-metode ini.
2.4.4 Metode Gaussian Diskrit
Keabadian asumsi distribusi adalah batasan karena sebagian besar distribusi
pertambangan kehidupan nyata tidak dapat dengan mudah dipasangkan dengan
distribusi dua-parameter (Gaussian atau Log-normal). Mereka memiliki banyak mode
dan campuran populasi yang hanya bisa diatasi dengan menggunakan metode itu tidak
membuat asumsi seperti itu. Model Gaussian diskrit (DGM) telah diusulkan sebagai
metode yang lebih kuat untuk mendapatkan koreksi volume-varians.
Ide kunci dari DGM adalah bahwa distribusi untuk dukungan yang berbeda
akan menjadi Gaussian setelah transformasi ke unit Gaussian. Transformasi ke unit
Gaussian dicapai dalam dua langkah: (1) transformasi skor normal, kemudian (2)
menyesuaikan hubungan antara nilai asli dan skor normal berubah dengan serangkaian
polinomial Hermite. Polinomial ini bersifat ortogonal, yang penting karena varians dari
nilai asli adalah penjumlahan sederhana dari kuadrat koefisien. Perubahan ke varians
dicapai dengan skala koefisien polinomial hermit oleh perubahan koefisien dukungan
yang terkait dengan faktor f. Seperti yang diharapkan, distribusi dikoreksi secara
bertahap menjadi lebih Gaussian dalam bentuk sebagai skala meningkat
Penyesuaian polinomial Hermite dan rincian matematika tertanam dalam
program komputer yang banyak digunakan dan didokumentasikan dalam referensi
seperti Armstrong dan Matheron (1986); Rivoirard (1994) atau Machuca-Mory dkk.
(2007). Sebuah ikhtisar akan disajikan di sini. Fungsi anamorfosis harus sesuai dengan
data sampel. Fungsi anamorfosis didefinisikan oleh ekspansi polinomial Hermite sesuai
dengan data. Polinomial Hermite terkait dengan distribusi Gaussian dan didefinisikan
oleh rumus Rodrigues (Abramovitz dan Stegun 1964, p. 773). Fungsi anamorfosis
setara dengan transformasi skor normal karena menyediakan pemetaan variabel titik Z
ke variabel Gaussian Y dan sebaliknya:
dimana ᶲp adalah koefisien dari masing-masing suku polinomial, dan Hp (y (u)) adalah

nilai polinomial Hermite. Pemasangan ini dapat dianggap sebagai kecocokan polinomial
ke plot Q-Q antara nilai asli dan skor normal.
Fungsi anamorfosis cocok dengan menghitung nilai koefisien of dari
polinomial Hermite. Koefisien pertama hanyalah mean dari sampel Z:

Koefisien orde tinggi ditemukan dengan aproksimasi berikut:

dimana g(y (ua)) adalah nilai probabilitas y yang bersesuaian dengan distribusi
Gaussian standar. Karena polinomial bersifat ortogonal dan dengan demikian tidak ada
korelasi di antara mereka, varians dari sampel Z dapat diidentifikasi untuk:

Fungsi anamorfosis yang dimodelkan dapat diperiksa terhadap data asli dengan
membandingkan distribusi yang dihasilkan dari sampel ke distribusi dari anamorfosis.
Distro harus identik, meskipun dalam prakteknya nilai ekstrim bisa sulit untuk
dimodelkan.
Kemudian, histogram sampel pada dukungan blok SMU diperoleh dengan
menggunakan asumsi bi-Gaussian. Untuk memperbaiki distribusi sampel ke distribusi
prediksi-SMU fungsi anamorfosis dimodifikasi dengan menambahkan perubahan
koefisien dukungan r:

Perhitungan r membutuhkan variansi dispersi dari blok berukuran SMU, yang diperoleh
dari model variogram yang berasal dari nilai sampel. Fungsi anamorfosis yang sesuai
dengan dukungan SMU v berasumsi bahwa distribusi [Y (u), Y (v)] adalah bi-Gaussian,
dan ditemukan dengan:

dari mana koefisien r dapat diperoleh. Distribusi nilai yang mewakili volume SMU
dengan mudah ditentukan dengan koefisien r yang diperoleh, koefisien yang sesuai
dan polinomial Hermite. Meskipun tampaknya rumit, prosedurnya otomatis dan
tersedia secara luas dalam program yang berbeda.
DGM dianggap lebih kuat daripada koreksi lognormal affine atau tidak langsung
karena transformasi nilai normal adalah umum, dan tidak ada asumsi tambahan yang
diperlukan untuk distribusi asli atau SMU.
2.4.5 Volume-Varians Non-Tradisional Metode Koreksi
Ada metode lain yang digunakan untuk koreksi variasi-volume, beberapa di
antaranya bersifat empiris. Ini berkisar dari menyesuaikan rencana kriging digunakan
untuk mengestimasi blok-blok untuk mendapatkan variansi dispersi yang diprediksi, ke
penggunaan teknik estimasi probabilistik (Bab 9), ke aplikasi dari simulasi kondisional.
2.4.6 Membatasi Rencana Kriging
Konsep ini didasarkan pada penyetelan rencana kriging untuk mengendalikan
menghaluskan untuk mencocokkan distribusi blok yang dihasilkan ke diharapkan
distribusi SMU sedekat mungkin.
Metode ini awalnya diusulkan oleh Parker dan dibahas dalam Rossi dan Parker
(1993) dan Rossi et al. (1993). Ini menggunakan gagasan bahwa sifat penghalusan
kriging dapat dikendalikan untuk mendapatkan distribusi blok yang diperkirakan yang
sangat cocok dengan distribusi SMU yang diprediksi. Parameter tertentu dari rencana
kriging, seperti pencarian tetangga, jumlah minimum dan maksimum sampel dan
lubang bor, penggunaan atau tidak dari pencarian oktan, dll dapat mempengaruhi
tingkat kelancaran distribusi blok yang dihasilkan.
Membatasi rencana kriging memiliki keuntungan yang sederhana, meskipun
jarang distribusi blok kriged akan sama persis dengan distribusi SMU yang diinginkan.
Lebih umumnya, kecocokan dicapai untuk potongan bunga tertentu sepanjang kurva
tonase-tonase. Ini adalah lokal dalam arti bahwa metode ini memperkirakan nilai blok
individu, yang bergabung untuk membentuk distribusi yang mirip dengan distribusi
SMU yang diinginkan.
Salah satu kelemahan dari metode ini, seperti yang ditunjukkan oleh Journel
dan Kyriakidis (2004), adalah bahwa itu khusus untuk masing-masing variansi yang
lebih tinggi dari distribusi blok yang dihasilkan, biasanya dengan mengorbankan bias
kondisional yang lebih tinggi. Distribusi spasial perkiraan masih mulus, yaitu variogram
perkiraan akan menunjukkan efek nugget yang jauh lebih rendah dan perilaku
berkelanjutan pada efek nugget.
Penting untuk dicatat bahwa persyaratan dari pengabaian kondisional dari
model blok kriged tidak sesuai dengan kebutuhan memprediksi ton dan nilai yang
diterima pada tanggal mendatang oleh pabrik pengolahan, lihat misalnya Isaaks dan
Davis (1999) dan Isaaks (2004). Ini telah diverifikasi secara empiris dalam praktek.
Namun, terlalu banyak bias bersyarat dalam model keluaran kriged dapat
menyebabkan bias prediksi yang signifikan yang harus dihindari.
Perkiraan SMU saat ini adalah perkiraan sementara yang menunggu lebih
banyak data dari pengambilan sampel lubang ledakan atau pengeboran in-fill. Pada
saat estimasi akhir untuk kontrol kelas, perawatan harus dilakukan untuk menghindari
bias bersyarat. Seringkali lebih penting pada tahap pra-kelayakan dan kelayakan
estimasi sumber daya untuk mendapatkan prediksi yang secara wajar mencerminkan
sumber daya yang dapat dipulihkan yang akhirnya akan diperoleh.
2.4.7 Metode Estimasi Probabilistik
Beberapa metode estimasi probabilistik, dijelaskan secara rinci dalam Chap. 9,
dapat digunakan untuk menggabungkan efek volume-varians ke dalam proses estimasi
sumber daya.
Salah satu pilihan adalah untuk memodifikasi distribusi probabilitas titik yang
dihasilkan dari beberapa indikator kriging (MIK) teknik ke dalam distribusi probabilitas
blok menggunakan baik afinitas, ILC, atau koreksi DGM. Varian dari prosedur ini telah
digunakan oleh Newmont Gold di tambang Quarry Emas di Nevada (Hoerger 1992),
yang, tampaknya berfungsi dengan baik ketika ada data produksi yang cukup untuk
kalibrasi yang benar.
Pilihan yang berbeda dalam aplikasi MIK adalah untuk menerapkan koreksi
volume-varians ke distribusi probabilitas kumulatif, pada skala komposit, yang
dihasilkan dari MIK. Compositing mengacu di sini untuk hanya rata-rata nilai
distribusiprobabilitas MIK ke panel yang lebih besar.
 Metode yang digunakan untuk memperkirakan distribusi yang didasarkan pada
asumsi Gaussian atau Lognormal juga diterapkan untuk memasukkan efek volume-
varians ke dalam model estimasi sumber daya. Pilihan yang tersedia termasuk Multi-
Gaussian Kriging (Verly 1984), Disjunctive Kriging (Matheron 1976) dan turunannya,
Uniform Conditioning (Roth dan Deraisme 2000), dan metode Shortcut Lognormal
(David 1977). Perubahan model dukungan yang diberikan oleh metode ini umumnya
kuat, asalkan asumsi Gaussian atau Log-normal yang mendasarinya masuk akal.
Metode koreksi varians-varians yang dijelaskan berbagi dalam batasan yang
sama: mereka tidak memperhitungkan jenis dilusi lain dan efek informasi. Mereka
menganggap bahwa setiap blok dapat dipilih secara individual dan independen dari
yang lain (pilihan bebas), dan bahwa pemilihan itu sendiri dibuat berdasarkan nilai
yang diketahui (seleksi sempurna).
2.4.8 Aplikasi Umum Volume-Varians Metode Koreksi
Metode untuk koreksi varians-varians yang dijelaskan diterapkan pada
pemodelan sumber daya bijih dengan beberapa cara. Aplikasi tradisional telah menjadi
koreksi dari model sumber daya global untuk menyamakan kurva tingkat-tonase yang
diprediksi sesuai dengan efek volume-varians yang diprediksi (David 1977; Journel dan
Huijbregts 1978). Aplikasi ini sekarang kurang umum karena beberapa alasan:
a. Koreksi volume-varians yang dilakukan sedemikian rupa adalah koreksi global,
dan karena itu hanya sedikit penggunaan praktis, kecuali untuk penilaian
sumber daya secara keseluruhan dari deposit; dilusi internal mineralisasi harus
dimasukkan ke dalam model blok sumber daya berdasarkan lebih banyak
koreksi lokal, sehingga pekerjaan hilir, seperti perencanaan tambang,
membawa efeknya ke dalam akun.
b. Memaksa sumber daya secara keseluruhan untuk menyesuaikan distribusi
volume-varians yang dikoreksi mengimplikasikan mengabaikan semua sumber
di- lution yang dijelaskan di atas. Oleh karena itu, sumber daya yang dilaporkan
secara keseluruhan diketahui salah, karena mereka didasarkan pada
penggabungan sumber tunggal dilusi. Model sumber daya harus
menggabungkan dilusi lebih dari yang diperkirakan oleh koreksi volume-varians
untuk memasukkan dilusi kontak geologis, efek informasi, dan dilusi operasional
terencana.
 Aplikasi lain mengoreksi data lubang bor sehingga perkiraan distribusi SMU
yang diharapkan diperoleh sebelum memperkirakan sumber daya. Ini memberikan
suatu distribusi tarbanding yang mana model sumber daya dapat dibandingkan.
Contoh yang ditunjukkan pada Gambar. 2.9 berhubungan dengan operasi Cerro
Vanguardia, yang menambang urat emas dan perak di Wilayah Patagonia di Argentina
Selatan. Gambar 2.9 menunjukkan distribusi dari 2 m komposit yang digunakan untuk
estimasi, serta DG-diprediksi dan distribusi SMU Affine-prediksi. Perhatikan bahwa
dalam hal ini, SMU adalah 5 × 10 × 5 m kubus, untuk memperhitungkan metode
penambangan terbuka yang saat ini digunakan. Contoh yang ditunjukkan adalah dari
Osvalon Diez vena, salah satu dari lebih dari 40 vena penahan Au-Ag yang
diidentifikasi di distrik, dan sumber dari sebagian besar produksi tambang hingga akhir
1990-an dan awal 2000-an. Sangat sulit untuk mencatat beberapa poin:
• Grafik pada Gambar 7.9 menunjukkan nilai cutoff Au yang diterapkan pada
distribusi pada sumbu X, sumbu Y kiri menunjukkan proporsi tonase yang
diprediksi di atas cutoff yang sesuai, sedangkan sumbu Y kanan menunjukkan
nilai yang sesuai di atas cutoff.
• Kurva tonase-kelas memungkinkan analisis langsung untuk cutoff bunga, dan
bagaimana distribusi berubah untuk rentang kelas yang berbeda.
• Faktor koreksi varians-varians diestimasi 28%, menyiratkan bahwa ada
perubahan yang sangat signifikan dalam varians dari komposit 2 m asli ke 5 ×
10 × 5 m distribusi SMU.
• Koreksi Affine bukanlah metode yang tepat untuk digunakan dalam kasus ini.
Ini disajikan di sini untuk menyoroti perbedaan dalam distribusi yang dihasilkan.
Di antara alasan lain, minimum buatan yang dihasilkan oleh Koreksi Affine
cukup tinggi, dan, meskipun tidak ditampilkan di sini, model DG terbukti
dengan data produksi menjadi lebih kuat.
• Perbedaan antara tonase dan nilai untuk setiap cutoff yang diberikan antara
distribusi SMU dan distribusi gabungan merupakan indikasi seberapa parah
koreksi volume-varians yang diprediksi.
Dalam literatur ada beberapa contoh rinci lainnya dan perbandingan koreksi
volume-varians yang berbeda, lihat misalnya Verly (2000) dan Rossi and Parker
(1993).
Gambar 2.9 Kurva Tonnage Kelas untuk Osvaldo Diez Vein, Cerro Van- guardia Mine,
Argentina. Ada efek volume-varians yang tinggi. Distribusi 2 m komposit
ditunjukkan bersama dengan distribusi SMU yang diprediksi dan
diprediksi.

Koreksi volume-varian dari informasi lubang bor untuk setiap domain estimasi
juga dapat memberikan target distribusi global blok (SMU), kurva tingkat-tonase yang
dapat digunakan untuk mengkalibrasi dan / atau memeriksa kurva tingkat-tonase yang
dihasilkan dari blok sumber daya model, dan khususnya untuk cutoff tertentu.
Perbandingan antara distribusi aktual versus target juga dapat dilakukan melalui
parameter distribusi, seperti Koefisien Variasi (CV), ukuran variabilitas yang kuat.
Gambar 7.10 menunjukkan perbandingan kurva grade-tonase dari DGM-
predicted SMU dan estimasi nilai model blok untuk unit pengayaan tinggi deposit
tembaga Escondida Norte Porphyry. Perhatikan bahwa untuk sebagian besar nilai
cutoff, nilai perkiraan dari model blok sedikit lebih halus daripada distribusi SMU yang
diprediksi sesuai. Kesimpulan dari Gambar 7.10 adalah bahwa model sumber daya
diperkirakan menggabungkan dilusi tambahan, selain dilusi internal yang diwakili oleh
model DG. Dalam hal ini, ukuran SMU adalah 20 × 20 × 15 m, 15 m komposit
digunakan untuk memperkirakan model blok, dan cutoffs bunga berada di kisaran 0,3
hingga 0,7% Cu.
Aplikasi lain dari koreksi volume-varians adalah untuk membantu menentukan
selektivitas tambang. Hal ini dapat diukur dengan mengukur dampak bahwa peralatan
penambangan yang berbeda yang digunakan dalam operasi memiliki dilusi, dan
berdasarkan pada perubahan volume SMU. Umumnya operasi mempelajari dampak
perubahan ketinggian bangku.
Namun, ada keterbatasan dalam penggunaan metode volume-varians untuk
memprediksi ketinggian bangku yang optimal, karena asumsi pemilihan yang bebas
dan sempurna

2.5 Pengaruh Informasi

Pengaruh Informasi menjelaskan fakta bahwa, pada saat penambangan,

informasi yang digunakan untuk memutuskan bagian mana dari deposit adalah bijih
dan yang limbah didasarkan pada informasi lebih banyak daripada yang tersedia ketika
memperoleh model sumber daya.
Pemilihan bijih/limbah telah dijelaskan secara lebih rinci, meskipun lebih banyak
data tersedia, pemilihan bijih/limbah selalu dibuat dengan perkiraan dan bukan nilai
sebenarnya. Ini adalah pemilihan yang tidak sempurna dalam arti bahwa kesalahan
estimasi selalu ada. Selain itu, proses seleksi tidak gratis, yang berarti bahwa masing-
masing SMU tidak dipilih sebagai bijih atau limbah secara mandiri dari SMU lain di
sekitarnya. Mungkin ada kendala geometris dan pertambangan lainnya yang
membatasi akses setiap SMU. Semua perkiraan dan sumber kesalahan ini tersirat
dalam Efek Informasi.
Masalah seleksi dapat dijelaskan secara matematis oleh persamaan pemulihan
berikut:
Gambar 2.10 Kurva Grade-Tonnage dari unit pengayaan sekunder yang tinggi dari
deposit Cu Escondida Norte Porphyry.

Secara grafis, masalah pemilihan bijih / limbah dapat diwakili oleh sebaran
petak dari nilai SMU yang tidak diketahui yang sebenarnya vs. nilai SMU yang
diperkirakan ditunjukkan pada Gambar 2.11.
Pertimbangkan, misalnya, cutoff zc = 2.0; ada empat hasil yang mungkin:
a. SMU diperkirakan bijih dan pulih seperti itu; dalam hal ini, tidak ada kesalahan
(atau kesalahan klasifikasi) yang dibuat (Kuadran I).
b. SMU diperkirakan limbah, dan pulih seperti itu; seperti sebelumnya, tidak ada
kesalahan (atau kesalahan klasifikasi) yang dibuat (Kuadran IV).
c. SMU diperkirakan bijih, dan sebenarnya limbah; dalam hal ini, dilusi dikirim ke
pabrik pemrosesan (Kuadran II).
d. SMU diperkirakan limbah, dan sebenarnya bijih (Kuadran III); dalam hal ini, ore
loss terjadi karena material ekonomi sedang dibuang.
Skenario sederhana yang ditunjukkan pada Gambar 2.11 menjadi lebih rumit
jika ada beberapa tujuan bijih, seperti bijih yang dihancurkan ke pabrik, bijih yang
dihancurkan ke landasan penambangan, dan bijih Run-of-Mine ke pad leach yang
berbeda. Dalam hal ini, ada empat kemungkinan tujuan termasuk limbah.
Gambar 2.11 Sebarkan plot Heterothetical True vs. Perkiraan nilai SMU. Nilai cut-off
Zc = 0,3 mendefinisikan 4 kuadran dalam grafik, dua jika yang sesuai
dengan kesalahan klasifikasi. (SMU diwakili oleh titik-titik)

Pemilihan yang tidak sempurna dan komponen lain dari efek informasi sulit
dipahami dan diprediksi dengan model empiris yang sering digunakan. Alternatif yang
lebih baik adalah menggunakan simulasi kondisional geostatistik (Bab 10), yang
memungkinkan reproduksi, berdasarkan data simulasi, dari seluruh proses
pengambilan sampel lubang ledakan dan pemilihan bijih / limbah, seperti yang dibahas
dalam Bab. 10 dan 13, dan dicontohkan dalam Chap. 14. Pendekatan ini telah berhasil
digunakan dalam beberapa tahun terakhir dalam praktek (Guardiano et al. 1995;
Badenhorst dan Rossi 2012) dan Journel dan Kyriakidis (2004).
Varian dari metode estimasi probabilistik dibahas di atas dalam konteks koreksi
volume-varians (berdasarkan asumsi Gaussian atau Log-normal) dapat dimodifikasi
untuk menggabungkan efek informasi. Salah satu metode tersebut didukung oleh Roth
dan Deraisme (2000), dan didasarkan pada asumsi Bi-Gaussian antara nilai SMU yang
benar, tidak diketahui, dan perkiraannya. Metode Uniform Conditioning (serta yang
lain) dapat diterapkan untuk memasukkan koreksi ke nilai SMU dan tonase yang
diprediksi di atas batas.
Selain pendekatan simulasi kondisional yang lebih lengkap dan kompleks, ada
beberapa metode ad-hoc yang berhubungan dengan efek informasi. Salah satu metode
tersebut, biasanya digunakan, adalah dengan konservatif bias model sumber daya bijih
(mirip dengan apa yang ditunjukkan pada Gambar. 7.10) untuk mengkompensasi efek
informasi dan kerugian di masa depan. Ini memerlukan tujuan - sepenuhnya
memperkenalkan tingkat dilusi tertentu dalam model sumber daya. Karena semua
metode empiris, metode ini hanya dapat berhasil diterapkan jika ada pengetahuan
yang cukup tentang deposit dan data produksi yang valid untuk mengkalibrasi jumlah
dilusi tambahan yang dimasukkan ke dalam model.
Metode yang serupa secara konseptual terdiri dalam mendefinisikan suatu SMU
lebih besar dari SMU yang operasi dapat secara realistis menambang, dan
menganggap seleksi sempurna di atasnya. Prosedur ini mengkompensasi efek
informasi dan fakta bahwa SMU teoritis tidak dapat dipilih (diekstraksi) sempurna,
tanpa kehilangan dan dilusi bijih lebih lanjut. Dampak mengasumsikan SMU yang lebih
besar dari yang diharapkan dapat dikuantifikasi dalam hal dilusi tambahan dimasukkan
ke dalam model.
Metode empiris ini bersifat subyektif, dan sangat bergantung pada asumsi yang
tidak mudah diverifikasi atau dikuantifikasi. Dengan demikian, mereka harus
dipertimbangkan hanya perkiraan terhadap perusahaan efek informasi ke dalam model
sumber daya.
Jumlah data tambahan yang tersedia pada saat pemilihan bijih / limbah secara
signifikan lebih dari yang tersedia pada saat mengembangkan model sumber daya
untuk studi kelayakan. Oleh karena itu, prediksi tentang tonase yang dapat ditambang
dan nilai untuk cutoff ekonomi dapat jauh berbeda dan meningkat pada saat seleksi,
jika hanya karena jumlah besar informasi yang tersedia.

2.6 Ringkasan Praktik Minimum, Baik dan Terbaik

Praktik minimum dalam pemodelan sumber membutuhkan hal berikut:

a. Semua model harus memiliki penilaian terhadap dilusi internal global
berdasarkan domain estimasi. Penilaian ini harus digunakan untuk mengukur
dampak dilusi internal, dan membandingkannya dengan dilusi yang dimasukkan
ke dalam model blok karena sifat penghalusan Kriging.
b. Dilusi kontak geologi juga harus dimasukkan melalui pertimbangan geometrik
jika dianggap cukup penting, atau dibahas dalam dokumentasi model jika
dianggap dapat diabaikan. Metode yang digunakan dapat mencakup
penggunaan faktor-faktor untuk menghukum nilai-nilai blok di sepanjang
 kontak. Pendekatan yang lebih langsung lebih disukai, memperkirakan nilai
setiap unit geologi dalam blok dan kemudian memperoleh rata-rata kelas blok
menggunakan Persamaan. 7.1.
c. Efek informasi biasanya ditangani dengan faktor-faktor, kadang-kadang
dikalibrasi ke angka-angka produksi, dan sering diterapkan oleh para insinyur
pertambangan ke model sumber daya bijih pada saat mengembangkan rencana
penambangan. Dalam kasus apa pun, dokumentasi model blok harus dengan
jelas menyatakan keterbatasannya dalam hal dilusi, dan sejauh mana hal itu
dapat dianggap "dapat dipulihkan".
d. Jika metode tidak langsung atau empiris telah digunakan untuk memasukkan
dilusi tambahan ke dalam model untuk mengkompensasi dilusi operasional
terencana dan tidak terencana, seperti menggunakan ukuran SMU yang lebih
besar, ini harus dinyatakan dengan jelas dalam dokumentasi.
Selain hal di atas, praktik yang baik membutuhkan:
A. Sebuah metode yang lebih spesifik untuk memasukkan dilusi internal ke dalam
model sumber daya. Ini dapat dilakukan melalui salah satu metode yang
disebutkan dalam Sekte. 7.3, dan dalam semua kasus harus mencakup
penilaian yang adil atas ketidakpastian dan perdagangan yang dilibatkan.
B. Dilusi kontak geologi harus secara eksplisit dimasukkan ke dalam model blok,
dan pernyataan tentang ketidaktentuan posisi kontak harus dimasukkan. Efek
informasi harus ditangani dengan menggunakan setidaknya pendekatan empiris
yang masuk akal, atau modifikasi dari metode estimasi.
C. Semua pekerjaan harus didokumentasikan dengan baik dan jelas disajikan,
merinci pemeriksaan yang dilakukan dan prosedur pengendalian mutu yang
ada.
Praktik terbaik terdiri dari menggunakan model ketidakpastian untuk
menangani ketiga jenis dilusi yang diuraikan: blok rata-rata, ketidakpastian model
geologi, dan dilusi operasional. Studi simulasi bersyarat penuh akan:
1. Menggabungkan ketidakpastian model geologi, sehingga secara implisit
mempertimbangkan dilusi geologi.
2. Dilusi internal lebih akurat dimasukkan oleh simulasi blok langsung atau hanya
dengan rata-rata nilai yang diintegrasikan ke dalam ukuran SMU.
3. Model simulasi juga harus menggabungkan dilusi operasional dan efek
informasi dengan mensimulasi proses penambangan yang lengkap.
 Dengan demikian, sebagian besar sumber dilusi dan ore loss dimungkinkan
dimodelkan secara bersamaan. Dalam hal demikian, tidak perlu menerapkan metode
koreksi variasi-varian apa pun, karena itu dilakukan sebagai pemeriksaan pada model
simulasi, misalnya. Pekerjaan ini hanya selesai ketika, seperti biasa, validasi yang
sangat ketat dan pengecekan model selesai dan didokumentasikan. Lebih disukai,
model simulasi harus divalidasi terhadap produksi, atau setidaknya model alternatif,
dan melalui pemeriksaan statistik dan grafis menyeluruh.
 BAB III
PENUTUP

3.1 Kesimpulan

a. Dilusi adalah bercampurnya barren rock dengan bijih hasil penambangan

sehingga akan menghasilkan kadar broken ore yang lebih kecil. Dilusi
mengacu pada bahan limbah yang tidak dipisahkan dari bijih selama
operasi dan ditambang dengan bijih. Dilusi juga dapat didefinisikan sebagai
rasio tonase limbah yang ditambang dan dikirim ke pabrik ke tonase total
bijih dan limbah gabungan yang digiling. Biasanya dinyatakan dalam
format persen. Ini dapat dinyatakan sebagai:
𝑊𝑎𝑠𝑡𝑒 𝑇𝑜𝑛𝑛𝑒𝑠
Dilution = (𝑂𝑟𝑒 𝑇𝑜𝑛𝑛𝑒𝑠 + 𝑊𝑎𝑠𝑡𝑒 𝑇𝑜𝑛𝑛𝑒𝑠) x 100

b. Faktor dilusi bervariasi dalam satu tambang untuk berbagai bangku dan
zona. Ini karena perubahan yang kita lihat dalam distribusi kelas dan
bentuk tubuh bijih. Ini juga bervariasi berdasarkan harga komoditas.
Penting untuk memastikan bahwa variasi ini diperhitungkan ketika
merancang atau mengevaluasi tambang.
c. Dilusi terbagi atas 3 jenis, yaitu Dilusi internal, Geologic Contact Dilution,
dan Dilusi Eksternal.

3.2 Saran

Dalam penyusunan makalah selanjutnya, sebaiknya materi tentang dilusi lebih

diperdalam lagi. Format penulisan pun harus diperhatikan dan usahakan mengambil
dari lebih banyak sumber sebagai bahan referensi dan tinjaun pustaka.
 DAFTAR PUSTAKA

Armstrong M, Matheron G (1986) Disjunctive kriging revisited (Parts I and II). Math
Geol 18(8):711–742
David M (1977) Geostatistical ore reserve estimation. Elsevier, Amsterdam
Harris GW (1997) Measurement of blast induced rock movement in surface mines
using magnetic geophysics. Unpublished M.S. Thesis, Department of Mining
Engineering, University of Nevada Reno
Hoerger S (1992) Implementation of indicator Kriging at Newmont Gold Company, In:
Kim YC (ed) Proceedings of the 23rd international APCOM symposium,
published by the Society of Mining, Metallurgy, and Exploration, Inc., Tucson,
April 7–11, pp 205–213
Isaaks EH (2004) The kriging oxymoron: a conditionally unbiased and accurate
predictor, 2nd ed. In: Proceedings of geostatistics banff 2004. Springer, 2005,
1:363–374
Isaaks EH, Davis B (1999) The kriging oxymoron, Presented at the 1999 Society of
Mining Engineers Annual Convention, Denver
Isaaks EH, Srivastava RM (1989) An introduction to applied geostatistics. Oxford
University Press, New York, p 561
Journel AG, Huijbregts ChJ (1978) Mining geostatistics. Academic Press, New York
Journel AG, Kyriakidis P (2004) Evaluation of mineral reserves: a simulation
approach. Oxford University Press, New York
Mario, E. Rossi, Clayton, V. Deutsch. 2014. Mineral Resource Estimation. Springer
Dordrecht Heidelberg, New York London.
Matheron G (1976) A simple substitute for conditional expectation: the disjunctive
kriging, In: Guarascio M, David M, Huijbregts C (eds) Advanced geostatistics in
the mining industry. Reidel, Dordrecht, pp 221–236
Pakalnis R, Poulin R, Vongpaisal S (1995) Quantifying dilution for underground mine
operations. Annual meeting of the Canadian Institute of Mining, Metallurgy and
Petroleum, Halifax, May 14–18, 1995.
Rossi ME, Parker HM, Roditis YS (1993) Evaluation of existing geostatistical models and
new approaches in estimating recoverable reserves, XXIV APCOM’93, Montreal,
October 31–November 3.
Roth C, Deraisme J (2000). The information effect and estimating recoverable
reserves, In: Kleingeld WJ, Krige DG (eds) Proceedings of the sixth international
geostatistics congress, Cape Town, April, pp 776–787.
Verly G (1984) Estimation of spatial point and block distributions: The multiGaussian
model. Ph.D. Dissertation, Department of Applied Earth Sciences, Stanford
University Verly G (2000) Accounting for mining dilution and misclassification in
resource block modeling. In: Kleingeld WJ, Krige DG (eds) Proceedings of the
sixth international geostatistics congress, Cape Town, April, pp 788–797.
Yang RL, Kavetsky A (1990) A three dimensional model of muckpile formation and
grade boundary movement in open pit blasting. Int J Min Geol Eng 8:13–34
(Chapman y Hall, London).
Zhang S (1994) Rock movement due to blasting and its impact on ore grade control in
Nevada open pit gold mines. Unpublished M.S. Thesis, Department of Mining
Engineering, University of Nevada Reno.