Геологическая блочная модель как главный актив горного предприятия
Алексей Лихман — технический специалист ООО «Майкромайн Рус»
В настоящее время при предоставлении данных для обоснования геологических кондиций и утверждения запасов на экспертизу в государственные органы, таких как ГКЗ, ТКЗ или ЦКР все больше становится необходимым создание геологической блочной модели месторождения, обеспечивающей полную и достоверную информацию о недрах. На основании данной модели в дальнейшем будут приниматься решения по разработке и освоению месторождения (рис. 1).
Рис. 1. Блочная модель месторождения
Внедрение на многих предприятиях горно-геологических систем позволило геологам использовать свои знания и навыки при моделировании своего месторождения. Имеющийся в таких системах функционал предоставляет возможность проанализировать, определить и применить необходимый метод оценки, а также описать и обосновать его при написании отчета. А самое главное добиться наиболее достоверных результатов при оценке полезного компонента.
На начальных этапах компьютерного моделирования месторождения осуществляется геометризация геологических границ полезного ископаемого, то есть оконтуривание минерализованной зоны. Оно производится последовательно по разведочным пересечениям или горизонтам и основывается на результатах данных химического и вещественного состава руд, полученных в результате геологоразведочных работ. По данным керна выполняется интерпретация структурных элементов и разрывных нарушений для того, чтобы учесть их в будущей модели месторождения. Все необходимые данные по опробованию керна и его описанию консолидируются в базе данных месторождения, которая подвергается тщательной проверке для уменьшения погрешности в оценке запасов. Майкромайн позволяет это сделать с помощью встроенных функций и инструментов. После оконтуривания получаем объем в недрах, выделенный по геологическому бортовому содержанию характеризующий минерализованную зону, внутри которой производится оценка необходимых качественных показателей.
Следующим этапом является создание пустой блочной модели, которая представляет собой набор блоков, ограниченный в пространстве оконтуренной рудной зоной. Под термином «пустая модель» понимается блочная модель, не имеющая в себе значений полезного компонента или любого другого изучаемого признака. Размер блока определяется густотой разведочной сети, геометрией рудного тела и параметрами анизотропии оцениваемого компонента. Помочь в выборе размера блоков блочной модели при применении экспериментальной модели поиска может инструмент под названием Quantitative Kriging Neighbourhood Analysis (QKNA). С помощью количественного анализа области поиска методом кригинга можно определить оптимальные размеры блоков для моделирования и минимизации условных смещений в оценке на основе статистических параметров, таких как дисперсия кригинга или коэффициент эффективности кригинга. Анализировать и тестировать параметры соседства стоит в разных частях месторождения для объективного принятия решения (рис. 2).
На сегодняшний день разработано и математически обосновано множество методов, которые используются для интерполяции качественных показателей в блочные модели. Например, такие как метод обратных расстояний или Inverse Distance Weighting (IDW), кригинг (SK), полииндикаторный кригинг (MIK), ранговый кригинг (RK) и т.д. При выборе метода оценки блочной модели стоит опираться на несколько факторов, таких как густота и равномерность разведочной сети скважин; явное отсутствие или наличие направления изменчивости исследуемого компонента; морфология рудных тел и т.д. В случае наличия неравномерной сети опробования для оценки распределения качественных показателей лучше использовать метод Кригинга. Для этого придется построить экспериментальные полувариограммы и подобрать для них теоретические функции распределения по трем осям области поиска. Если же сеть является равномерной, можно использовать метод обратных расстояний, чтобы добиться хорошего результата. Выбор степени обратного расстояния характеризуется уменьшением влияния значений точек в зависимости от расстояния до оцениваемой точки и обеспечивает тем самым сглаженность интерполированных значений.
Для исключения влияния проб с аномально высокими содержаниями на оценку необходимо провести статистический анализ данных выборки, которыми будет оцениваться будущая блочная модель. В Майкромайн это реализуется с помощью инструмента урезки ураганов. В нем определить ураганные значения возможно с помощью гистограммы распределения содержаний, а также квантильного анализа с применением различных графических методов (рис. 3).
На стадии или после выбора метода и параметров интерполяции в Майкромайн есть возможность на их основе рассчитывать значения компонента в любой точке. Сделать это можно с помощью статистики в области по иска. Функционал позволяет видеть градацию содержаний в заданной области поиска и пробы, по которым был произведен расчёт относительно настроек эллипсоида и, соответственно, выбранного метода оценки (рис. 4).
После интерполяции содержаний необходимо понять, насколько модель соответствует реальности. Чтобы убедиться, что модель достоверна с допустимой степенью погрешности, необходимо провести ее заверку и убедиться, что смещение оценки минимально. Сразу стоит сказать, что не существует единственного метода сравнения данных опробования с рассчитанными по ним значениями в ячейках блочной модели, который позволил бы провести точную заверку оценённых запасов или ресурсов в блочной модели. Одним из таких методов проверки в Майкромайн является так называемый полосный график распределения содержания и тоннажа Swath. По сути, это диаграмма, которая позволяет визуально оценить разницу между рассчитанными значениями композитов проб и оцененными содержаниями в ячейках блочной модели в заданных пределах. Можно считать, что на тех участках, где содержания в композитных пробах хорошо коррелируют с расчётными содержа ниями, блочная модель оценена с большей достоверностью. Данный график также позволяет сравнить между собой разные результаты оценки (рис. 5).
Стоит отметить, что блочные модели одного месторождения могут отличаться по степени детализации данных и размерам блоков. Например, ресурсная блочная модель используется в основном для стратегического и долгосрочного планирования горных работ и оптимизации контуров отработки. Разрабатывается она в основном по данным геологоразведочных работ. В эксплуатационную модель месторождения включены дополнительно данные опережающей и сопровождающей разведки, а также проводится корректировка размера блоков под подходящие горнотехнические условия отработки месторождения.
Построение блочной модели ресурсов и запасов месторождения является очень непростой задачей, в которой необходимо отразить все аспекты и постараться доказать применяемые методики построения и оценки.
С каждым годом предлагаются новые решения и методы, позволяющие с другой стороны взглянуть на оценку и заверку блочных моделей, а в современных горно-геологических информационных системах появляется инструментарий, который в значительной мере облегчает их применение.
Опубликовано в журнале "Золото и технологии" № 3/сентябрь 2020 г.
В настоящее время при предоставлении данных для обоснования геологических кондиций и утверждения запасов на экспертизу в государственные органы, таких как ГКЗ, ТКЗ или ЦКР все больше становится необходимым создание геологической блочной модели месторождения, обеспечивающей полную и достоверную информацию о недрах. На основании данной модели в дальнейшем будут приниматься решения по разработке и освоению месторождения (рис. 1).
Рис. 1. Блочная модель месторождения
Геологическая блочная модель позволяет:
- произвести оценку запасов месторождения;
- оценить пространственную изменчивость содержания полезного компонента;
- осуществить выбор оптимального контура карьера по принципу максимизации прибыли (денежного потока);
- повысить эффективность краткосрочного или долгосрочного планирования горных работ.
Внедрение на многих предприятиях горно-геологических систем позволило геологам использовать свои знания и навыки при моделировании своего месторождения. Имеющийся в таких системах функционал предоставляет возможность проанализировать, определить и применить необходимый метод оценки, а также описать и обосновать его при написании отчета. А самое главное добиться наиболее достоверных результатов при оценке полезного компонента.
На начальных этапах компьютерного моделирования месторождения осуществляется геометризация геологических границ полезного ископаемого, то есть оконтуривание минерализованной зоны. Оно производится последовательно по разведочным пересечениям или горизонтам и основывается на результатах данных химического и вещественного состава руд, полученных в результате геологоразведочных работ. По данным керна выполняется интерпретация структурных элементов и разрывных нарушений для того, чтобы учесть их в будущей модели месторождения. Все необходимые данные по опробованию керна и его описанию консолидируются в базе данных месторождения, которая подвергается тщательной проверке для уменьшения погрешности в оценке запасов. Майкромайн позволяет это сделать с помощью встроенных функций и инструментов. После оконтуривания получаем объем в недрах, выделенный по геологическому бортовому содержанию характеризующий минерализованную зону, внутри которой производится оценка необходимых качественных показателей.
Следующим этапом является создание пустой блочной модели, которая представляет собой набор блоков, ограниченный в пространстве оконтуренной рудной зоной. Под термином «пустая модель» понимается блочная модель, не имеющая в себе значений полезного компонента или любого другого изучаемого признака. Размер блока определяется густотой разведочной сети, геометрией рудного тела и параметрами анизотропии оцениваемого компонента. Помочь в выборе размера блоков блочной модели при применении экспериментальной модели поиска может инструмент под названием Quantitative Kriging Neighbourhood Analysis (QKNA). С помощью количественного анализа области поиска методом кригинга можно определить оптимальные размеры блоков для моделирования и минимизации условных смещений в оценке на основе статистических параметров, таких как дисперсия кригинга или коэффициент эффективности кригинга. Анализировать и тестировать параметры соседства стоит в разных частях месторождения для объективного принятия решения (рис. 2).
На сегодняшний день разработано и математически обосновано множество методов, которые используются для интерполяции качественных показателей в блочные модели. Например, такие как метод обратных расстояний или Inverse Distance Weighting (IDW), кригинг (SK), полииндикаторный кригинг (MIK), ранговый кригинг (RK) и т.д. При выборе метода оценки блочной модели стоит опираться на несколько факторов, таких как густота и равномерность разведочной сети скважин; явное отсутствие или наличие направления изменчивости исследуемого компонента; морфология рудных тел и т.д. В случае наличия неравномерной сети опробования для оценки распределения качественных показателей лучше использовать метод Кригинга. Для этого придется построить экспериментальные полувариограммы и подобрать для них теоретические функции распределения по трем осям области поиска. Если же сеть является равномерной, можно использовать метод обратных расстояний, чтобы добиться хорошего результата. Выбор степени обратного расстояния характеризуется уменьшением влияния значений точек в зависимости от расстояния до оцениваемой точки и обеспечивает тем самым сглаженность интерполированных значений.
Для исключения влияния проб с аномально высокими содержаниями на оценку необходимо провести статистический анализ данных выборки, которыми будет оцениваться будущая блочная модель. В Майкромайн это реализуется с помощью инструмента урезки ураганов. В нем определить ураганные значения возможно с помощью гистограммы распределения содержаний, а также квантильного анализа с применением различных графических методов (рис. 3).
На стадии или после выбора метода и параметров интерполяции в Майкромайн есть возможность на их основе рассчитывать значения компонента в любой точке. Сделать это можно с помощью статистики в области по иска. Функционал позволяет видеть градацию содержаний в заданной области поиска и пробы, по которым был произведен расчёт относительно настроек эллипсоида и, соответственно, выбранного метода оценки (рис. 4).
После интерполяции содержаний необходимо понять, насколько модель соответствует реальности. Чтобы убедиться, что модель достоверна с допустимой степенью погрешности, необходимо провести ее заверку и убедиться, что смещение оценки минимально. Сразу стоит сказать, что не существует единственного метода сравнения данных опробования с рассчитанными по ним значениями в ячейках блочной модели, который позволил бы провести точную заверку оценённых запасов или ресурсов в блочной модели. Одним из таких методов проверки в Майкромайн является так называемый полосный график распределения содержания и тоннажа Swath. По сути, это диаграмма, которая позволяет визуально оценить разницу между рассчитанными значениями композитов проб и оцененными содержаниями в ячейках блочной модели в заданных пределах. Можно считать, что на тех участках, где содержания в композитных пробах хорошо коррелируют с расчётными содержа ниями, блочная модель оценена с большей достоверностью. Данный график также позволяет сравнить между собой разные результаты оценки (рис. 5).
Стоит отметить, что блочные модели одного месторождения могут отличаться по степени детализации данных и размерам блоков. Например, ресурсная блочная модель используется в основном для стратегического и долгосрочного планирования горных работ и оптимизации контуров отработки. Разрабатывается она в основном по данным геологоразведочных работ. В эксплуатационную модель месторождения включены дополнительно данные опережающей и сопровождающей разведки, а также проводится корректировка размера блоков под подходящие горнотехнические условия отработки месторождения.
Построение блочной модели ресурсов и запасов месторождения является очень непростой задачей, в которой необходимо отразить все аспекты и постараться доказать применяемые методики построения и оценки.
С каждым годом предлагаются новые решения и методы, позволяющие с другой стороны взглянуть на оценку и заверку блочных моделей, а в современных горно-геологических информационных системах появляется инструментарий, который в значительной мере облегчает их применение.
Опубликовано в журнале "Золото и технологии" № 3/сентябрь 2020 г.
