Introducción de tendencias de calidad

Maptek DomainMCF utiliza técnicas de Machine Learning para producir modelos de recursos de forma rápida y rentable; ahora la atención se centra en las tendencias de ley.

Maptek DomainMCF ha demostrado éxito en el uso de técnicas de Machine Learning para producir resultados repetibles y confiables para el modelamiento de dominios.

Las versiones sucesivas de DomainMCF han brindado a los geólogos la capacidad de construir rápidamente modelos de dominio directamente desde una base de datos geológica validada. Este enfoque ha demostrado ser útil en muchas aplicaciones, incluido el control de leyes, el modelamiento de recursos y la generación de dominios geotécnicos, en una variedad de productos básicos en minas subterráneas y a cielo abierto.

La versión 2022 lleva la generación de modelos basados ​​en datos a una nueva etapa, con funciones que incorporan la predicción de variables numéricas en la salida del modelo de bloques. Los atributos numéricos podrían representar leyes analíticas de un laboratorio químico, como las leyes del oro o la calidad del carbón, o podrían ser variables geometalúrgicas o geotécnicas, como el índice de enlace o la calificación del macizo rocoso.

Los datos numéricos se incluyen con el código de dominio correspondiente. Se requiere atención para administrar los datos faltantes dentro de los campos numéricos, ya que no todos los intervalos geológicos tendrán información válida para pruebas especializadas como csn (número de expansión del crisol) para carbones coquizables metalúrgicos o paf (potencialmente formadores de ácido) para minerales o material de desecho mineralizado.

El archivo de datos preparado se envía al motor de cómputo de DomainMCF para su validación, análisis y procesamiento. Los datos numéricos y de dominio se emiten como un modelo de bloques regular o subbloqueado convencional. Los límites de los dominios geológicos se pronostican en 3D y luego la predicción de las tendencias de ley se restringe dentro de estos dominios.

Esto es análogo a lo que se denomina límites estrictos en la práctica convencional de estimación de recursos. Las tendencias de calificación se predicen mediante Machine Learning y no deben confundirse con las estimaciones de calificación para los informes de recursos.

Las tendencias de calificación generadas por DomainMCF muestran la distribución 3D de cualquier atributo modelado. Puede ser la distribución de las leyes de oro o cobre en la mineralización del stockwork o la tasa de penetración de la medición del pozo de tronadura durante la perforación.

En áreas de incertidumbre, las tendencias de ley se pueden utilizar para determinar dónde perforar y recopilar datos para mejorar la confianza en el modelo geológico.

Las tendencias de ley de DomainMCF también se pueden utilizar como entrada para técnicas de estimación de anisotropía variable localmente (LVA). Los vectores de tendencia de leyes en x, y y z reemplazan las orientaciones de elipsoides de búsqueda de muestra estándar y facilitan la estimación de leyes alrededor de bisagras de plegado y dominios curvos.

DomainMCF procesa fácilmente grandes datos. Ha sido probado con más de 100 millones de atributos de datos de uno de los depósitos de mineral más grandes del mundo y entregó un modelo de dominio 3D con tendencias de ley para 25 variables diferentes en menos de cuatro horas. La interacción y la correlación entre las tendencias de calificación se conservan en el flujo de trabajo de Machine Learning.

Teniendo en cuenta que los mineros tienen 60 años de confianza en kriging y sus variantes y 30 años de experiencia en diferentes formas de simulación para la estimación y generación de informes de recursos, el líder técnico de Maptek para DomainMCF Steve Sullivan no desafía el viejo orden a la ligera.

Se requiere investigación y desarrollo futuros para ajustar los procesos subyacentes para convertir estas tendencias de grado en predicciones de calidad.

Una nueva técnica requiere una extensa comparación y validación con la práctica aceptada existente antes de convertirse en el nuevo estándar. DomainMCF está configurado para hacer precisamente eso.

Nuestro Agradecimiento a Chris Giles, Havilah Recursos para imágenes

  • Machine Learning está demostrando ser exitoso en el modelamiento de dominios, incluso para conjuntos de datos extremadamente grandes que contienen cientos de millones de puntos.
  • DomainMCF ahora también genera predicciones de ley a partir de atributos numéricos para una mejor comprensión de la complejidad del depósito.
  • Las tendencias de ley son efectivas para apuntar a perforaciones adicionales para mejorar la confianza en el modelo geológico.