Curso complementario a "Evaluación de Yacimientos Mineros".

DE PAGO

DESCRIPCIÓN GENERAL:

En este curso se aborda la categorización de recursos minerales [medidos, indicados, inferidos] a través de la varianza de estimación de kriging [simple / ordinario]. Se estudian una serie de algoritmos re-implementados de la GSLIB (Geoestatistical Software Library) en Python.

GSLIB es el acrónimo de uno de los primeros directorios contenedores de software geoestadístico en el mundo, algunos investigadores lo consideran como el principal desarrollo informático en la historia de la Geoestadística. A lo largo del curso se exponen casos 2D y 3D, con muestras distribuidas de forma regular como irregular en el espacio y utilizando distintas variantes del método por varianza de Kriging. Se recomienda tener conocimiento básico de Python previo a comenzar este curso.

RELATOR:

Heber Hernández Guerra, es Ingeniero civil de minas, master en minería y candidato a doctor en la Universidad del País Vasco/Euskal Herriko Unibertsitatea, ha ocupado cargos directivos en instituciones de educación superior y actualmente es docente en cátedras y laboratorios de Evaluación de Yacimientos y Planificación Minera. Es investigador en temas relacionados al estudio de variables espaciales, donde el último tiempo ha publicado en importantes revistas científicas tales como: Mathematics, Minerals y Sustainability Journal MDPI.

PRE REQUISITOS:

Dirigido a estudiantes y profesionales del área ciencias de la tierra, quienes tengan nociones de geoestadística y busquen profundizar conocimientos en el método de categorización por error relativo de kriging.

Se necesitará de un ordenador con sistema operativo windows, linux o MacOs, sin embargo las clases serán ejecutadas desde windows.

COMPRAR CURSO:

El valor del curso es de 130 USD | 100,000 CLP | 480 PEN con suscripción de 2 años. Pagar vía PAYPAL dejando como comentario CRP-NM. Posterior sea confirmado el pago (máx. 3 horas) recibirá un correo electrónico con su credencial de acceso.

DIPLOMA:

El curso posee una evaluación al final de todo el contenido, la cual discriminará en la aprobación o no del curso. En caso de aprobar el estudiante recibirá un diploma que señale dicho logro.

Curriculum Curso:

I. Fundamento teórico del método de categorización por Kriging
- ¿Qué es el Kriging? 00:10:00
- ¿Qué es la varianza de estimación de Kriging? 00:09:00
- ¿Qué es la categorización? 00:05:00
- ¿Cómo funciona este método de categorización? 00:07:00
- Ejemplo manual de categorización I: KS puntos 00:19:00
- Ejemplo manual de categorización II: KO bloques 00:34:00
2. Categorización de recursos en malla regular 2D
- Lectura de datos y visualización malla regular 00:09:00
- Modelado estructural datos en malla regular 00:18:00
- Estimación y categorización malla regular 00:12:00
3. Categorización de recursos en malla irregular 2D
- Lectura de datos y visualización malla irregular 00:04:00
- Modelado estructural datos en malla irregular 00:12:00
- Estimación y categorización malla irregular 00:10:00
4. Categorización desde modelo anisotropo 2D
- Secuencias en la generación de un modelo de categorías 00:25:00
5. Categorización de recursos desde sondajes 3D
- Secuencia de un modelo de categorías 3D 00:23:00
6. Reporte estadístico del modelo de celdas / bloques
- Reporte numérico desde modelos 00:12:00
- Reporte gráfico desde modelos 00:15:00
7. Evaluación
- Tárea 7 días

Course Reviews

5

1 calificaciones

5 stars1
4 stars0
3 stars0
2 stars0
1 stars0

Diego Díaz Leónenero 14, 2022 at 6:44 pm

Excelente
5
Muy claro y excelente material de calidad

Heber Hernández Guerra

Especialidad:

Geoestadística, Machine Learning

Correo de contacto:

heber@nubeminera.cl

Otros cursos que te podrían interesar:

{"title":"Otros cursos","show_title":"0","post_type":"course","taxonomy":"","term":"0","post_ids":"","course_style":"random","featured_style":"course3","masonry":"","grid_columns":"clear1 col-md-12","column_width":"268","gutter":"30","grid_number":"3","infinite":"","pagination":"","grid_excerpt_length":"100","grid_link":"1","css_class":"","container_css":"","custom_css":""}