Estimaciones de la resistencia de roca ROCKRay
Éxito de la implementación de ROCKRay de PETRA en una mina subterránea en Australia del Sur
El problema
En 2019, un equipo de estudio de un proyecto subterráneo en el sur de Australia estaba buscando nuevas formas de mejorar las estimaciones de resistencia de roca porque las técnicas de dominios litológicos estándar producían desviaciones típicamente altas del 20-50%.
Según la práctica estándar de la industria, los costos de los ensayos de rocas limitaron la granularidad y la variabilidad capturadas en el modelo de bloques a la escala de 16 dominios litológicos.
Los ingenieros de minas y geotécnicos involucrados en el estudio requerían estimaciones confiables de las propiedades de las rocas para el diseño de la mina, el diseño de soporte del terreno, el modelamiento numérico y el de fragmentación.
Cada uno de estos estudios requirió estimaciones confiables de las propiedades mecánicas de la roca, que incluyen:
- Resistencia de la roca, por ejemplo, resistencia a la compresión uniaxial (UCS)
- Módulo de elasticidad, por ejemplo, módulo de Young (E)
- Densidad
La Solución
Se eligió ROCKRay de PETRA Data Science como solución, ya que era capaz de completar los resultados de los ensayos de un laboratorio de rocas a lo largo de tramos no probados de testigos y permitió al equipo estimar los resultados de los ensayos de rocas en la escala del modelo de bloques. Utilizando la fusión de datos optimizada y el aprendizaje automático, prometió:
- Reducir la necesidad de un muestreo extenso de test de perforación y ensayos de laboratorio que requieren mucho tiempo.
- Convertir cientos de resultados de muestras de sondajes en miles de predicciones a lo largo de tramos no caracterizadas de sondajes.
- Permitir que los ingenieros simplemente carguen los datos del sondaje y reciban predicciones empaquetadas en meno de ocho horas.
Los resultados
El proyecto de implementación de ROCKRay se completó en seis semanas y permitió al equipo de estudio de éste, construir modelos de bloques 3D de alta granularidad, proporcionándoles un aumento de 190 veces en la longitud del testigo con estimaciones de resistencia de la roca disponibles para diseño de ingeniería y modelamiento de yacimientos en 3D.
Antes de implementar Machine Learning, el sitio tenía aproximadamente 30 metros de resultados de ensayos de laboratorio de muestras de roca para 16 dominios litológicos de 28 pozos.
Después de usar ROCKRay, el equipo tuvo acceso a 5690 metros disponibles para el modelamiento de bloques en 3D.
Esto significaba que el equipo de estudio tenía estimaciones de la resistencia de la roca a escala del modelo de bloques que eran significativamente más precisas que la media litológica, como se ve en la tabla de comparación de errores a continuación.