04 ноября 2024, Понедельник
МСБ
arrow_right_black
30.03.12

Динамично пополняемая прогнозно- металлогеническая карта на рудное золото Заангарской части Енисейского кряжа

На базе созданной информационной основы, объединяющей в себе всю геологическую, геохимическую, геофизическую и другую информацию проведены прогнозно-металлогенические построения на рудное золото для Заангарской части Енисейского кряжа. Кратко освещены методические особенности сбора, хранения и статистического анализа фактического материала для выполненных и последующих прогнозных решений. Поставлен вопрос о необходимости изучения золотоносности Восточного склона Енисейского кряжа.
messages_black
0
eye_black
158
like_black
0
dislike_black
0
В.А. Макаров, С.М. Макеев, В.В. Межубовский, В.Г. Фисенко, М.А. Самородская — Сибирский федеральный университет, НПП «Прогнозгеофизика».

Изучаемая площадь входит в состав Енисейской золотоносной провинции, одной из крупнейших золотоносных провинций России. История ее изучения насчитывает более 150 лет. За это время накоплен огромный фактический материал, являющийся итогом большого числа геологических, геохимических, геофизических работ и эксплуатации россыпных и коренных месторождений золота. Результаты этих работ неоднократно обобщались и использовались при прогнозно-металлогенических построениях и оценке золотоносности Енисейского кряжа [1,2,3,4,5,6].

Следует отметить, что использование компьютерных технологий в таких обобщающих работах было весьма ограничено и, как правило, сводилось лишь к оформлению итоговых графических приложений. Дополнение и оперативная корректировка прогнозных карт при получении новой информации в используемых ранее традиционных подходах затруднена и требует больших временных затрат.

струутруа базы.jpg

Табл. 1. Структура базы геоданных.

Авторским коллективом предложен иной подход к созданию прогнозно-металлогенических карт и решению разномасштабных задач прогнозирования. В соответствии с этим подходом, основой металлогенических построений различного масштаба должна являться единая база геоданных, содержащая в себе максимально возможную геологическую, геохимическую, геофизическую информацию об изучаемой территории. В созданной информационной основе заложены возможности динамичного пополнения и изменения базы данных, оперативного внесения изменений в уже готовые прогнозные решения, а также выполнения вновь возникающих прогнозно-металлогенических задач с использованием различных методик, включая эвристическое прогнозирование.

Для достижения этой цели потребовалась разработка системы сбора и хранения информации, алгоритмов ее анализа, а также технологий пополнения и защиты геоданных. Работа по созданию такой динамически-пополняемой базы геоданных выполнена на примере Заангарской части Енисейского кряжа как основы для составления многоуровневых (разномасштабных) прогнозно-металлогенических карт. Отправной точкой этой работы послужила необходимость определения порядка лицензирования поисковых площадей для горнодобывающих предприятий в пределах территории на ближайшую перспективу. Исходя из поставленной задачи по всей территории Заангарской части Енисейского кряжа была собрана и переведена в цифровой вид вся имеющаяся информация, способная выступать в качестве поисковых предпосылок и признаков коренной золоторудной минерализации. По содержанию вся информация была разделена на 6 отдельных блоков:

1. Блок геологической основы;
2. Блок шлиховой и геохимической информации;
3. Блок металлогенической информации;
4. Блок геофизической информации;
5. Блок информации об изученности исследуемой территории;
6. Блок дистанционной основы.

Для удобства пользования базой данных для всех наборов имеющейся информации была создана единая система идентификаторов и атрибутивных таблиц, что позволило сделать ее легко читаемой. В структуре базы геоданных (табл. 1) можно выделить две основные группы данных — пространственные и атрибутивные. Первые представляют собой векторные или растровые слои и содержат данные о геометрии объектов, вторые являются характеристиками этих объектов и находятся в обычных таблицах. Атрибутивные данные также хранятся в базе в двух видах. Самые важные характеристики, такие как, код геологического подразделения или название месторождения находятся в непосредственно в таблице атрибутов слоя. Более развернутая характеристика — например, литологический состав пород или форма рудных тел содержатся в присоединенной таблице. Большая часть присоединенных таблиц дублирует информацию из традиционной базы данных MS Access. Между слоями и таблицами организована система связей по ключевым полям. При этом, какие именно поля используются в качестве ключевых, зависит от особенностей данных. Так, например, в разделе слоев сопровождения хранится слой изученности территории. Объекты этого слоя имеют следующие атрибуты: автор отчета, год, номер отчета. Последний атрибут — номер отчета — служит ключевым для связи слоя со списком источников информации. По этому же атрибуту можно связать слой изученности с любым из слоев базы, объекты которых содержат ссылку на источник. Также любой из таких слоев можно связать по номеру источника со списком источников. Таким образом, пользователь может получить по любому интересующему объекту информацию об отчете, из которого он взят, и посмотреть на карте изученности границы работ в рамках этого отчета. И напротив, выделив на карте изученности интересующий полигон, можно получить список аномалий, которые выделены в процессе работ на данной территории.

кривые распред.jpg

Рис. 1. Кривые распределения дифференциального веса площади диапазонов содержания лития (а) и свинца (б) и соответствующего каждому диапазону дифференциального веса количества рудных объектов, попадающих в его контур.

База геоданных содержит в себе специальные домены и представления. Первые являют собой список допустимых значений того или иного атрибута, вторые — позволяют сохранять авторское оформление картографических слоев. Все это дает возможность оперативно пополнять уже имеющуюся информационную основу и в едином ключе оформлять графические приложения. Созданная в таком виде база геоданных является основой, прежде всего, для составления разномасштабных карт прогноза легко адаптируется для использования различных методов прогнозирования. Пример использования данной базы при прогнозе коренного золотого оруденения статистическими методами отражен ниже. При выборе логико-математической модели для составления прогнозной карты масштаба 1:500 000 и крупнее ставилась задача обнаружить на прогнозной территории Енисейского кряжа области, которые по набору признаков сходны с областями распространения известных объектов золотой минерализации. Вместе с тем, в качестве «обучающих» были выбраны не какие-то определенные генетические типы золоторудной минерализации или месторождение-эталон, а сравнительно крупные пространственные области, оконтуривающие максимальное количество золоторудных объектов вообще: месторождений, рудопроявлений и пунктов минерализации. Всего в обучении участвовало более 550 рудных объектов (5 крупных месторождений, 6 средних, 17 мелких и более 100 рудопроявлений), которые были сняты с разномасштабных карт полезных ископаемых и геологических карт, составленных предшественниками.

кривая распред 2.jpg

Рис. 2. Кривая распределения дифференциального веса количества рудных объектов, попадающих в контур комплексного прогнозного признака с определенным локализующим весом и дифференциального веса площади соответствующего контура.

Такой подход к построению прогнозной карты сразу очерчивает круг ее возможностей и достоинств. Во-первых, прогнозная карта такого типа предназначена для выявления областей с максимально возможной вероятностью обнаружения золоторудных объектов. При этом, в настоящий момент времени часть этих объектов уже обнаружена (это сами обучающие объекты), а часть может быть обнаружена в будущем на участках определенного масштаба. Во-вторых, обучающий алгоритм этой карты нацелен на поиск объектов, уже известных на территории Енисейского кряжа типов золоторудной минерализации. Следовательно, с помощью такой карты, в первую очередь, можно найти либо «пропущенные» объекты или объекты не выходящие на дневную поверхность. В-третьих, прогнозная карта этого типа, прежде всего, систематизирует значительный объем геолого-геохимических и геофизических данных, полученных на территории самого Енисейского кряжа, не привнося в полученное прогнозное решение знаний и данных из других золоторудных регионов России и мира, подобно эвристическим моделям.

Основным структурным элементом разработанной прогнозной карты является база данных характеристических признаков оруденения, включающая в себя ряд геологических, геохимических, минералогических, геофизических и др. критериев и признаков, выделенных из общей базы геоданных, с помощью специальных запросов. Вторым структурным элементом данной карты является алгоритм комбинирования выбранной для прогноза золоторудной минерализации характеристических признаков с помощью их мультипликации. В самых общих чертах этот способ включает в себя ряд последовательных операций:

1. Статистический анализ пространственной корреляции полей рассматриваемых признаков с полем распространения известных золоторудных объектов. Предварительно, эти объекты могут быть определенным образом классифицированы (по генетическому или промышленному типу объектов, по размаху оруденения и т.д.);
2. Выбор характеристических значений поисковых признаков и перевод их в форму необходимую для мультипликации. Эта операция осуществляется путем составления специальных графиков, построенных на основе результатов статистического анализа. С помощью таких графиков исследуются характеристические свойства признака по отношению к обучающим объектам, определяются диапазоны характеристических значений признака, и проводится расчет их локализирующего веса для последующей мультипликации;
3. Мультипликация, или наложение с суммированием локализующих весов, всех характеристических признаков в единый комплексный прогнозный признак. Признаки мультиплицируются в пределах площадей их характеристических значений, «концентрирующих» максимальное количество известных рудных объектов;
4. Статистический анализ пространственной корреляции поля комплексного прогнозного признака с полем распространения известных золоторудных объектов;
5. Расчет собственного локализирующего веса прогнозного признака во всем диапазоне изменения его величины;
6. Перевод величины комплексного прогнозного признака в вероятность неслучайного обнаружения объектов прогнозируемого типа. Составление карты прогнозной вероятности неслучайного обнаружения прогнозируемых объектов по всей площади прогнозирования.

график зависимости.jpg

Рис. 3. График зависимости прогнозной вероятности обнаружения объекта от величины комплексного прогнозного признака. 

Ключевым моментом прогнозирования с помощью данной методики, является установление локализующей роли, а следовательно, и поисковой значимости всех имеющихся критериев и признаков золоторудной минерализации измеренных инструментально или оцененных в условной шкале баллов, специально разработанной для признака. Каждый из критериев и признаков общей базы геоданных, которой располагает исследователь, может стать характеристическим признаком для прогнозирования рудных объектов того или иного типа, класса. Вместе с тем, следует иметь в виду, что один и тот же признак в одном диапазоне изменения своих значений может быть характеристическим признаком для одного типа рудных объектов, а в другом диапазоне собственных значений — для другого. Например, содержание свинца в донных отложениях рек (рис. 1) в одном диапазоне концентраций (умеренно аномальных) является хорошим прогнозным признаком для собственно золотого типа оруденения, а в другом диапазоне концентраций (максимально аномальных) — прогнозным признаком собственно свинцово-полиметаллических месторождений. В дополнение к этому признак является характерным только в пределах вполне определенной площади. Следовательно, характеристическим можно назвать любой, отобранный для прогнозирования признак, который в одном или нескольких диапазонах изменения собственных значений, проявляет такую степень пространственно-корреляционной связи с прогнозируемым типом объектов, которую можно считать не случайной. Таким образом, выявление характеристических значений признака — есть важнейший подготовительный этап расчета комплексного прогнозного признака и построения прогнозной карты.

В основу использованной методики выделения характеристических значений поисковых признаков положен принцип предварительного статистического анализа всех признаков оруденения, имеющихся на момент прогнозирования. Поле каждого признака, или его трансформанты, в зависимости от качественного типа признака, разбивается на интервалы, классы, типы и др. внутренне однородные таксоны. Например, для геохимических, геофизических и других инструментально измеренных полей проводится интервальное разбиение, для многих геологических критериев (стратифицированных толщ осадочных пород или интрузивных массивов магматических пород) — качественная типизация по стратиграфическим подразделениям или магматическим комплексам, для структурно-ориентированных критериев и признаков (разломов, линейных геофизических аномалий) — классификация по удаленности от осевых линий структур и т.д. Используя возможности геоинформационной системы ArcGis, проводится дифференциальный статистический анализ распределения известных рудных объектов по частоте попадания в выделенные таксоны признака. Дополнительно для каждого из признаков рассчитывается площадь (км2), занимаемая на карте прогнозирования всеми выделенными для него таксонами. Далее, рассчитываются дифференциальные удельные веса Pi (в % от общего числа известных объектов) частот объектов, попадающих в тот или иной i-ый таксон, а также дифференциальные удельные веса площадей распространения самих таксонов Si (в % от общей площади распространения признака). Очевидно, что при случайном распределении известных рудных объектов в поле рассматриваемого признака, Pi = Si независимо от способа разбиения площади на таксоны. Если же какой-либо k-ый таксон признака будет «концентрировать» на своей площади Sk количество рудных объектов Pk, статистически большее чем при случайном попадании, то для этого таксона Pk>Sk. Объединение всех смежных таксонов, удовлетворяющих данному неравенству, в один характеристический диапазон h позволяет «сконцентрировать» в пределах него максимальное количество известных объектов, которое может локализовать рассматриваемый признак. Поскольку степень пространственной корреляции разных признаков с рудными объектами различна, то отношение количества известных рудных объектов, попавших в контур изолинии, ограниченной характеристическим интервалом h, к площади этой изолинии является объективным показателем локализующего веса V рассматриваемого признака. Локализующий вес признака рассчитывался по формуле:

формула1.jpg
где: Nh — натуральное число объектов, попадающих в поле характеристических значений признака;
Ch — площадь этого поля (км2).

С рассчитанным таким образом весом каждый характеристический признак включается в общее прогнозное решение, т.е. мультиплицирование признаков. Понятно что, не для каждого признака может быть выделен характеристический интервал. На рисунке 1 хорошо видно, что золоторудные объекты в литогеохимическом поле лития имеют совершенно случайное распределение по частоте попадания в выделенные интервалы содержаний этого элемента. Следовательно, литий при прогнозировании золоторудных объектов не является характеристическим признаком и не должен включаться в набор признаков, по которым будет проводится прогнозирование. И наоборот, золоторудные объекты в литогеохимическом поле свинца (см. рис. 1) имеют случайное попадания во всех интервалах содержаний этого признака, кроме интервала от 0,3 до 1,0 усл. ед. (ранг содержаний элемента). Следовательно, слабые аномальные литогеохимические поля свинца в интервале содержаний 0,3– 1,0 усл.ед. можно использовать в качестве характеристического прогнозного признака золоторудных объектов, так как в полях таких концентраций свинца происходит относительно высокое концентрирование золоторудных объектов в степени, превышающей их случайное попадание в указанный интервал. Важно заметить, что каждый прогнозный интервал признака, выделенный формальным образом, должен иметь ясную геологическую и металлогеническую интерпретацию. Если таковой не найдено, то признак не может быть включен в финальное прогнозное решение.

Поэтому, на заключительном этапе выбора характеристических признаков прогнозируемого оруденения вводится внешний экспертный контроль, а именно, каждый характеристический признак должен иметь не только максимально возможный для него локализующий вес в выбранном диапазоне, но и ясную геологическую интерпретацию этой величины.

В общей сложности в качестве геологических критериев и признаков золотоносности в пределах Заангарской части Енисейского кряжа могут быть использованы следующие геологические таксоны:
  • стратифицированные подразделения благоприятные для локализации золоторудных объектов;
  • рудоконтролирующие тектонические нарушения;
  • магматические комплексы, имеющие генетическую либо парагенетическую связь с оруденением;
  • области развития гидротермального метасоматоза (графитизация, березитизация, пропилитизация, окварцевание и др.);
  • зоны динамометаморфизма, рассланцевания, милонитизации, интенсивной трещиноватости;
  • области развития кварцевого прожилкования;
  • пликативные структуры.
К сожалению, имеющийся на площади Заангарской части Енисейского кряжа фактический материал не позволил использовать весь комплекс критериев, поскольку области развития гидротермального метасоматоза, динамометаморфизма и кварцевого прожилкования выделены лишь для части Енисейского кряжа, где в 2000-х годах проведено геологическое доизучение площадей (7 номенклатурных листов — 32% территории). Отсутствие признака более чем на 2/3 территории Енисейского кряжа делает неправомерным его использование для целей прогнозирования в масштабе 1:500 000 на всей площади. Однако для средне- и крупномасштабного прогноза (1:200 000 и 1:50 000) в пределах площадей ГДП200 эта информация может и должна быть использована. Использование фактора положения рудного объекта в пликативных структурах региона при прогнозировании масштаба 1:500 000 так же затруднительно, поскольку территория имеет сложное складчатоблоковое строение и выделение элементов складчатости (ядра и крылья синклиналей и антиклиналей, ундуляция шарнира, погружение осей складок и др.) на карте 1:500 000 масштаба не представляется возможным. Однако на картах масштаба 1:200 000 третьего поколения (7 номенклатурных листов) все эти элементы пликативных структур выделяются довольно отчетливо и должны использоваться для средне и крупномасштабного прогнозирования.

Таким образом, для целей прогнозирования в масштабе 1:500 000 были выбраны только стратиграфический, тектонический и магматический критерии.

Результаты итогового статистического анализа всех выбранных поисковых критериев и признаков с указанием их локализующего веса приведены в табл. 1.

При построении прогнозной карты, как указывалось выше, была использована технология мультипликации растров путем их суммирования. Данными для суммирования являлись поля распределений признаков (в форме растров или гридов), построенные для каждого признака индивидуально. Гриды распределения признака отражают территории, где признак проявлен. Подобные гриды были получены при переклассификации исходных полей (геофизических, геохимических, полей удаленности и пр.), позволившей выделить характеристические интервалы признаков и отделить их от «пустых» территорий. Векторные данные (такие, как полигональные слои стратиграфии) также были переведены в растровый формат и переклассифицированы с учетом локализующих весов соответствующих признаков. При арифметическом сложении всех полей распределения 22 признаков была получена карта (грид) распределения суммарной плотности признаков, названная комплексным прогнозным признаком. К гриду этого признака был применен сглаживающий фильтр с круглым окном поиска радиусом 1,5 км. В итоге был получен грид распределения комплексного прогнозного признака с общим диапазоном изменения величины этого признака от нуля до двух с половиной тысяч условных единиц. После расчета комплексного прогнозного признака был проведен статистический анализ этого признака по аналогии с другими признаками (см. табл. 1).

карта прогноза.jpg

Рис. 4. Карта прогноза на рудное золото Заангарской части Енисейского кряжа масштаба 1:500 000.

Из статистического анализа следует, что известные золоторудные объекты начинают «концентрироваться» в поле рассчитанного комплексного прогнозного признака при величине накопленного локализующего веса всех использованных в прогнозе признаков больше 600 усл.ед (рис. 2). В этот интервал попадает 85% известных золоторудных объектов при удельной площади контура попадания 21%. На заключительной стадии составления прогнозной карты были выполнены расчеты по переводу величин комплексного прогнозного признака в относительную вероятность неслучайного обнаружения золоторудного объекта. В начале этой работы по вышеприведенной формуле был произведен расчет локализующего веса случайного обнаружения золоторудного объекта.

формула2.jpg

где: Nh — общее число золоторудных объектов;
а Ch — площадь Заангарской части Енисейского кряжа.

Затем, для нескольких интервалов изменения величины комплексного прогнозного признака, было рассчитано число объектов, которое случайным образом попадает в контур соответствующего интервала и фактическое число этих объектов в пределах этих же контуров и проведено сравнение полученных величин.

Суммировав, только те интервалы, в которых число фактически обнаруженных объектов превышает число случайно попадающих, был определен средний собственный локализующий вес признака. Это величина условно была взята за 50%-ную вероятность обнаружения рудного объекта, а величина локализующего веса случайного обнаружения этого объекта, полученная на первом этапе принята за 0%. Пересчет значений комплексного прогнозного признака в проценты вероятности неслучайного обнаружения объекта согласно уравнению регрессии (рис. 3) привел к созданию итоговой прогнозной карты (рис. 4).

Полученная карта может быть использована для оценки прогнозной вероятности неслучайного обнаружения «пропущенных» объектов. При рассмотрении этого варианта карты необходимо понимать, что если в область с аномально высокой вероятностью обнаружения попадает уже известный объект, то это только значит, что прогнозное решение в данной области уже реализовано. С другой стороны области, лежащие вне максимальных значений вероятности обнаружения рудных объектов, могут расцениваться как менее перспективные либо слабоизученные, либо даже относящиеся к новым нетрадиционным для Енисейского кряжа типам рудных объектов. Анализ всей совокупности материалов указывает, на то что из других не известных на сегодня на кряже промышленных типов золоторудных месторождений можно ожидать золото-урановые объекты, проявленные в структурах несогласий (Кутукасское проявление Кутукасской площади) и объекты золото-порфирового типа (участок Междуречный Троеусовской площади).

Особо следует отметить площади находящиеся восточнее Ишимбинского разлома, являющегося одной из главных рудоконтролирующих структур региона [6] (Иочиминская и Вангашская). Предшествующими работами в пределах этих площадей были выявлены прямые признаки золоторудной минерализации (россыпи и рудопроявления золота, литогеохимические аномалии золота и его элементов спутников в донных осадках и делювиальных рыхлых отложениях и т. д.). Следует заметить, что Иочиминская площадь к тому же расположена на значительной удаленности от гранитоидов ТатарскоАяхтинского комплекса, поэтому не исключено, что здесь также можно ожидать обнаружения нового для Енисейского кряжа промышленно-генетического типа (стратиформное оруденение).

Поскольку, перспективы амагматичного Восточного склона Енисейского кряжа в целом на обнаружение промышленно значимых золоторудных объектов многими специалистами в настоящее время оцениваются отрицательно, геологическое изучение и установление закономерностей локализации руд на этих территориях позволит по-иному взглянуть на рудный процесс на востоке кряжа, а значит и оперативно пересмотреть имеющиеся прогнозно-металлогенические построения.

книга.jpg1. Геология и металлогения Енисейского рудного пояса / Отв. ред. Бровков Г.Н., Ли Л.В., Шерман М.Л. Красноярск: СНИИГГиМС-ПГО «Красноярскгеология», 1985 г. — 289 с.
2. Зверев В.В. Золотоносные рудно-магматические системы в геохимическом поле Енисейского кряжа / Прикладная геохимия. Выпуск 8 (в 2-х томах). Проблемы поисковой геохимии. Том 2. Опыт геохимических поисков. /Главный редактор А.А. Кременецкий/ Сборник научных статей. — ИМГРЭ, 2008 г., с. 135–143.
3. Ли Л.В. Золоторудные месторождения Енисейского кряжа / Геология и полезные ископаемые Центральной Сибири, Красноярск, КНИИГиМС, 1997 г., с. 184–222.
4. Мкртычьян А.К., Берзон Е.И., Зуев В.К., Стороженко А.А., Васильев Н.Ф., Секретарев М.Н., Липишанов А.П., Варганов А.С., Москалев В.А., Кононенко Н.Б., Динер А.Э. Прогнозно-поисковые модели основных формационных типов золоторудных месторождений Енисейского кряжа. \ Геология и минерально-сырьевые ресурсы Центральной Сибири. Материалы юбилейной научно-практической конференции, г. Красноярск. 25–26 апреля 2010 г. Издательство ОАО «Красноярскгеолсъемка». с. 46–62.
5. Сазонов А.М., Звягина Е.А., Полева Т.В., Леонтьев С.И., Власов В.С., Малышева К.И. Геолого-структурная позиция и типизация золоторудных полей восточной части Енисейского кряжа. \ Геология и минерально-сырьевые ресурсы Центральной Сибири. Материалы юбилейной научно-практической конференции, г. Красноярск. 25–26 апреля 2010 г. Издательство ОАО «Красноярскгеолсъемка». с. 94–101.
6. Сердюк С.С., Коморовский Ю.Е., Зверев А.И., Ояберь В.К., Власов В.С., Бабушкин В.Е., Кириленко В.А., Землянский С.А. Модели месторождений золота Енисейской Сибири. // Под редакцией С.С. Сердюка, Красноярск, 2010 г., 584 с.

Опубликовано в журнале «Золото и технологии», № 1 (15)/февраль 2012 г.

02.07.24
Актуальные проблемы развития минерально-сырьевой базы Арктической зоны России
04.04.24
Au-Hg месторождения Сакынджинского рудного района (Северо-восточная Якутия)
19.12.23
60 лет освоения месторождений золота Куларского рудно-россыпного района
01.11.23
Моделирование рудообразующих систем как основа для прогнозирования крупных месторождений стратегических металлов
01.10.23
Результаты геологоразведочных работ на твердые полезные ископаемые в 2022 году и планы на 2023 год
10.07.23
Перспективы открытия на Северо-Востоке России Au-Ag-Cu-Pb-Zn месторождений типа Куроко
16.03.23
Уникальные рудные районы востока России
16.03.23
Роль россыпных месторождений золота в РФ.
03.03.23
Продуктивность на золото Арктической зоны России
29.11.22
Au-Ag-месторождения вулканогенных поясов Востока России
27.07.22
Конгломераты — поисковый признак россыпей золота
07.07.22
Tехногенно-минеральные образования «High Sulfidation» эпитермального Cu-Au-Ag месторождения Челопеч (Болгария)
07.07.22
Золото-сульфидные месторождения вкрапленных руд СевероВостока России: особенности геолого-генетической и поисковой модели
24.12.21
Зоны тонкорассеянной сульфидной минерализации Северо-Востока России, как источники вещества для рудных месторождений
24.12.21
Перспективы освоения комплексных золотоурановых месторождений Эльконского района
24.11.21
Золотой Кулар еще скажет свое веское слово
09.08.21
Сверхкрупные месторождения золота России и Узбекистана: перспективы новых открытий (Часть 2, окончание)
09.08.21
Компьютерное моделирование золоторудных месторождений — исторический аспект
14.07.21
Сверхкрупные месторождения золота России и Узбекистана: перспективы новых открытий (Часть 1)
07.07.21
Рудное золото Центральной Чукотки
Смотреть все arrow_right_black
Яндекс.Метрика