05 ноября 2024, Вторник
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
arrow_right_black
16 августа 2021

Статистический анализ на этапе оценки запасов в ГГИС Майкромайн

messages_black
0
eye_black
2546
like_black
2
dislike_black
0
Степан Калинкин.jpgС.В. Калинкин — технический специалист ГГИС Micromine.

Выполнение корректной интерполяции содержаний в блочную модель является основой для успешного освоения месторождения в будущем. На основании полученных результатов составляется бюджет, производятся планирование развития горных работ и строительство производственных объектов. В связи с этим сотрудники геологического отдела несут большую ответственность за качество производимой работы. Майкромайн 2021 предоставляет специалистам обширный набор инструментов, которые позволяют на каждом этапе производить контроль и предпринимать взвешенные решения для получения достоверных результатов.

блочная модель.jpg

Рис. 1. Блочная модель месторождения с отображением распределения качественных показателей полезного компонента

Во время проведения геологоразведочных работ опробование производится таким образом, что пробы с высоким содержанием или потенциальной минерализацией отбираются более плотно, чем не минерализованные зоны. В результате значения высоких содержаний встречаются чаще, на более коротких интервалах и меньших площадях, чем значения низких содержаний. Такая избирательная выборка приводит к тому, что перевес идет в сторону высоких проб, и такой эффект называется кластеризацией. При вычислении среднего значения по этим пробам, оно становится выше реального среднего значения разведанного участка, что может привести к получению неверных результатов при оценке блочной модели. 

гора.jpg

Чтобы минимизировать подобные смещения применяется декластеризация. Метод основан на предположении, что сгруппированные выборки, будучи близкими друг к другу, в какой-то степени коррелированы и могут включать некоторую избыточность. Из-за данной избыточности кластеризованным пробам должны быть назначены более низкие веса, чем их некластеризованным соседям. Как только это будет сделано, рассчитывается средневзвешенное значение, известное как декластеризованное среднее.

Декластеризация ячеек — это новая функция Майкромайн 2021, которая позволяет выбрать корректные размеры блока для блочной модели месторождения. Алгоритм вычисляет глобальное декластеризованное среднее значение, поддерживаемое диаграммами, с автоматическим определением самого низкого среднего и дополнительным отчетом об итерациях (рис. 2).

декластаризация.jpg

Рис. 2. Диаграмма декластеризации ячеек

Функция QKNA (Quantitative Kriging Neighborhood Analysis) позволяет подобрать параметры для оценки блочной модели одним из методов кригинга, это числовой метод для определения качества поисковых параметров, таких как: количество секторов формы поиска, максимальное количество проб/композитов, используемое в секторе формы поиска, минимальное количество проб/композитов на всю форму поиска, размеры блока и параметры дискретизации по трём осям. Вычисления производятся в любой точке месторождения, лучшим решением будет проанализировать различные области исследуемой площади. Результаты выводятся на график, что позволяет пользователям легко определять оптимальные параметры (рис. 3). 

режим сектора.jpg

Рис. 3. График Quantitative Kriging Neighborhood Analysis

После определения набора параметров для интерполяции блочной модели необходимо их проверить, но возникает вопрос: «Как производить проверку параметров?». В Майкромайн данная операция выполняется с помощью функции перекрестная проверка, которая была улучшена в версии 2021. Теперь по завершению операции выводятся необходимые графики для оценки результатов, такие как: диаграммы рассеяния Истинное vs Оценки и Стандартная погрешность vs Оценки, гистограмма стандартной погрешности, а также график с местоположением проб в одной из плоскости (план, на север, на запад) (рис. 4). В алгоритме перекрестной проверки происходит временное удаление значения из исходных данных и при использовании параметров для интерполяции производится оценка отсутствующего значения из окружающих данных. Вычисляется разница между действительными (удаленными) и оцененными значениями. Процесс повторяется для каждой записи в наборе данных, и создается суммарная статистика по разнице между действительными и определенными, с помощью указанных параметров, значениями.

перекрестн проверка.jpg

Рис. 4. Графики перекрестной проверки

Существуют различные способы заверки оцененной блочной модели месторождения, основным является визуальная проверка. Но недостатком данного способа является отсутствие количественной оценки разницы между содержаниями исходных проб/композитов и оценённой блочной модели. Swath график (рис. 5) отображает распределения содержаний, которые определяются серией полос/областей в пространстве, построенных на всю глубину месторождения в нескольких направлениях. В выделенных областях/ полосах сравниваются содержания между композитами/исходными пробами и оцененными содержаниями в блочных моделях.

сватч график.jpg

Рис. 5. Swath график

С помощью Swath графика можно сравнить любое количество файлов при условии, что все они представляют один и тот же элемент, на одном участке. Например, Вы можете сравнить содержания исходных проб и урезанных композитов с итоговыми блочными моделями, проинтерполированными с помощью методов обратных расстояний и/или кригинга. Если содержания исходных данных имеют корреляцию с рассчитанными, то можно предположить, что запасы/ресурсы были оценены корректно.

зима.jpg

Цены на сырье меняются ежедневно, от биржевых котировок зависит не только прибыль, которую получит предприятие, но и объёмы, которые будут запланированы для добычи, а следовательно, и связанные с этим затраты. От минимального содержания в отрабатываемом блоке будет зависеть общее среднее содержание, а также тоннаж добываемой руды. В связи с этим появляется необходимость вывода этих показателей для экспресс-анализа. В Майкромайн можно воспользоваться графиком Кривая содержаний и тоннажа (рис. 6) для первоначального анализа оцененной блочной модели. Таблица, которая формируется ниже графика предоставит информацию о тоннаже и среднем содержании при определенном бортовом содержании. Суммарный тоннаж отображается как в виде кривой, так и в виде столбцов, также на график можно добавить информацию о суммарном металле.

кривая содержаний.jpg

Рис. 6. Кривая содержаний и тоннаж

Итоговым результатом оценки запасов является создание отчёта, генерируйте отчёт с необходимой структурой с помощью функции Генератор отчётов. Используя выражения, формируйте собственные группы/категории с возможностью расчета промежуточных итогов. Использование собственных формул позволяет выполнить преобразование в любые единицы измерения. Вывести отчёт можно в один из форматов Майкромайн, либо в таблицу Excel, с возможностью транспонирования полей (рис. 7).

отчет.jpg

Рис. 7. Отчёт по блочной модели, результат Генератора отчетов в Excel

Горнодобывающей отрасли известно много успешных проектов. Хороший результат зависит от многих факторов, один из них — наличие набора инструментов, которые позволяют получить достоверный результат, для принятия верного решения. Майкромайн предоставляет необходимый набор инструментов для пользователей, чтобы они успешно решали свои задачи.

Узнать больше о возможностях программного обеспечения и решениях производственных задач можно в службе технической поддержки, на форуме, социальных сетях и в блоге Майкромайн. Мы благодарим пользователей за отзывы и пожелания, они помогают совершенствовать программу и делать её ещё удобнее.

Опубликовано в журнале “Золото и технологии”, № 1 (51)/март 2021 г.

25.09.24
Только 22% промышленных компаний заместили ПО для работы с данными более чем на 70%
02.07.24
Автоматизация в горнодобывающей промышленности: современные тренды и разработки
02.07.24
Синергия взаимодействия: недропользователь, разработчик, государство. Так создаются эффективные цифровые решения
01.04.24
Итоги 2023 года для горно-металлургического комплекса: главные ИТ-тренды и прогнозы на 2024
27.03.24
Автоматизация мониторинга экологической ситуации на гидросооружениях и хвостохранилищах
27.03.24
Автоматизация процесса создания сортовых контуров
31.01.24
Цифровизация начинается «с поля»
31.01.24
ГГИС MINEFRAME — импортозамещение ключевых цифровых технологий в области инженерного обеспечения горных работ
30.01.24
Определение контура карьера по граничному коэффициенту вскрыши в Micromine Beyond
23.06.23
Опыт АЛРОСА: цифровизация управления геологоразведкой
20.06.23
Расчет показателя энергоемкости бурения с помощью ГГИС Micromine Origin&Beyond для оптимизации проектирования буровзрывных работ
16.03.23
Семь шагов к эффективному управлению данными о производственных активах
06.02.23
Системы активной безопасности в добывающей индустрии
31.12.22
Разработка и улучшение моделей машинного обучения для автоматического извлечения керна из изображений и поиска кварцевых жил
31.12.22
Цифровой карьер на базе решений «1С:Горнодобывающая промышленность»
29.11.22
МАЙНФРЭЙМ — отечественный инструмент для создания цифрового двойника месторождения
29.11.22
Разработка автоматизированных систем управления производством в условиях импортозамещения
29.11.22
Тестирование системы Micromine Nexus
10.10.22
ТОП-5 трендов в автоматизации горнодобывающей отрасли от экспертов «Рексофт»
27.07.22
Промышленная система управления базами данных Micromine Geobank в геологической службе компании АО «Полиметалл УК»
Смотреть все arrow_right_black



Яндекс.Метрика