Modelamiento de reservas de mármol

La aplicación de Machine Learning para modelar las reservas de mármol, dio como resultado rendimientos más rápidos y predicciones más uniformes.

La extracción de mármol es una industria importante en el noreste de Grecia, y las técnicas estándar de estimación y modelado de reservas presentan varios desafíos.

Los sistemas de aprendizaje automático aprovechan la potencia informática de los sistemas informáticos personales, integrados y en la nube para construir rápidamente modelos de procesos reales.

Las reservas de mármol se basan en categorías de calidad de mármol, únicas para cada depósito o cantera. Las categorías representan características visuales y físicas como el color, la textura y las fracturas. La clasificación generalmente la realiza personal experimentado en muestras que son mucho más pequeñas que los bloques que se extraen.

Maptek DomainMCF se aplicó a la clasificación de mármol en Volakas Quarry, propiedad de Iktinos Hellas SA, y se comparó con un estudio anterior de Maptek Vulcan.

Los siguientes parámetros fueron identificados y utilizados para caracterizar el mármol Volakas:

  • Litología – Dolomita o calcita
  • Tipo – Flor o venas diagonales
  • Antecedentes – Defectos visibles
  • Tectónica – Discontinuidades/m2

Iktinos Hellas ha estado usando Vulcan desde 2014, empleando un método de distancia inversa en el modelo de bloques. Las dimensiones de los bloques se configuran en función de los volúmenes extraídos de la cantera.

Las muestras se siembran alrededor de cada bloque utilizando elipsoides de búsqueda orientados de acuerdo con las características geológicas. Se ejecuta un script de modelo de bloques para asignar una clasificación de mármol final que consolide el valor del campo del indicador interpolado.

DomainMCF modela la distribución espacial de los parámetros de caracterización de la calidad del mármol mediante el muestreo de un conjunto discreto de valores de dominio. Los datos para el estudio de Volakas consistieron en 95 sondajes y análisis de frente de cantera, lo que da un total de 3570 muestras de un metro.

Los datos de la muestra se compusieron en archivos separados para cada uno de los parámetros de calidad del mármol y luego se ejecutaron en DomainMCF. Se aplicó un archivo de definición de modelo de bloques para controlar el área de aplicación, también limitada mediante una superficie superior e inferior.

DomainMCF es rápido y sencillo de configurar y ejecutar, y opera directamente en el sondaje y otros datos.

Procesar 3750 muestras y 2 millones de bloques tardó menos de 2 minutos en completarse.

Al comparar la clasificación de la calidad del mármol producida por DomainMCF con el método convencional, quedó claro que las clasificaciones de aprendizaje automático parecen más uniformes para los bloques incluidos en ambos métodos.

El motor de aprendizaje automático tampoco requiere un análisis estructural de los parámetros categóricos y proporciona una medida de incertidumbre para las predicciones. Esto es útil para identificar áreas donde se puede requerir más muestreo o las muestras existentes tienen una mayor variabilidad, lo que conduce a una menor certeza.

Los estudios futuros incluyen el uso de anisotropía para predecir parámetros, una mejor comprensión de los niveles de confianza y cómo se pueden asociar con categorías de recursos e investigar la influencia del grado en las predicciones de dominio.

Dr. Ioannis Kapageridis
Profesor adjunto
Departamento de Ingeniería de Recursos Minerales,
Universidad de Macedonia Occidental

  • Machine Learning para el modelamiento de dominios, mejoró la velocidad y uniformidad de las clasificaciones de mármol en este estudio de estimación de recursos.
  • DomainMCF es rápido y simple de configurar y ejecutar. Opera directamente en el sondaje y otros datos, lo que permite que los modelos se actualicen regularmente.
  • Machine Learning no requiere un análisis estructural de los parámetros categóricos del mármol, lo que agiliza aún más el proceso.