Machine Learning (Aprendizaje automático) para identificación de fallas
El revolucionario motor de aprendizaje automático Maptek DomainMCF para el modelamiento de yacimientos minerales está ayudando a identificar la geología defectuosa en un tiempo récord.
Identificar y predecir fallas es vital, tanto en operaciones a tajo abierto como subterráneas. Los ingenieros que preparan los planes operativos de la mina, deben garantizar la estabilidad de paredes, unidades y rebajes. Al utilizar métodos como block caving, deben comprender la geología natural para controlar de manera segura y eficiente el proceso de socavación.
Maptek DomainMCF proporciona a los geólogos herramientas para evitar procesos manuales engorrosos. La aplicación del procesamiento en la nube y el aprendizaje automático para perforar y otros datos, permite la salida de un modelo geológico en minutos a horas, en lugar de semanas a meses.
El especialista técnico de Maptek, Steve Sullivan, dice que las pruebas e implementación de DomainMCF han revelado una fuerza inesperada.
“La identificación de fallas no era la máxima prioridad cuando comenzamos a trabajar en este producto”, dijo Sullivan, geólogo.
DomainMCF analiza los datos locales y circundantes, teniendo en cuenta la orientación, el ancho y otras características, y calcula automáticamente dónde dos intervalos no son continuos y han sido desplazados.
No se requiere intervención manual, a diferencia de los modelos implícitos y basados ??en cuadrículas que envuelven una superficie continua entre las intersecciones de datos geológicos. Las fallas modeladas en DomainMCF se visualizan fácilmente y proporcionan una señal de alerta para que los geólogos analicen mejor el modelo.
Tradicionalmente, los geólogos identificarían e interpretarían laboriosamente los rastros de fallas a partir de los datos de perforación, una tarea a veces difícil donde las fallas podrían pasarse por alto con consecuencias potencialmente desastrosas.
‘Las fallas pueden variar desde un par de milímetros hasta cientos de kilómetros. Algunas pueden ser bastante sutiles y no fácilmente reconocibles, ni incorporadas en entidades utilizables para la planificación minera”, dijo Sullivan.
‘El modelamiento implícito muestra vetas con límites suaves y curvos entre los datos de perforación. Sólo cuando estás bajo tierra o en el rajo abierto ves la dislocación de falla real. La posición interpretada del yacimiento de mineral o veta de carbón cambia y si no se ha ajustado, podría colocar la maquinaria en el lugar equivocado”.
Los resultados de DomainMCF se correlacionan bien con los modelos de fallas interpretados por los clientes para vetas de metales preciosos, depósitos de mineral de hierro y brechas. Sin embargo, los modelos DomainMCF se crean en una fracción del tiempo.
El aprendizaje automático les da a los geólogos más tiempo para analizar resultados, cambiar configuraciones y ejecutar múltiples interacciones para aclarar resultados y entregar a los ingenieros los mejores modelos posibles.
‘Las técnicas tradicionales han requerido mucha intervención manual, tiempo dedicado a dibujar líneas CAD, realizar modificaciones, trazados y modelamiento implícito. No hay mucho pensamiento geológico involucrado, sobre todo lo que se podría llamar trabajo de pirateo”, dijo Sullivan.
‘DomainMCF devuelve la geología al geólogo. Las computadoras realizan el procesamiento pesado y los geólogos usan sus habilidades de investigación, por lo que asumimos la profesión en primer lugar “.
DomainMCF es fácil de usar. Una vez que los datos han sido validados, los usuarios pueden arrastrar y soltar los archivos de componentes necesarios en la interfaz para su procesamiento.
El aprendizaje automático consume la gran cantidad de datos recopilados diariamente en las empresas mineras. Un modelo reciente con 2.5 millones de datos fue procesado en un par de horas.
‘DomainMCF considera datos de perforación, mapeo subterráneo, ensayos, litología y muestras de corte abierto. Cuantos más datos tenga, mejor”, dijo Sullivan.
Maptek está trabajando para incorporar más tipos de datos, incluidos geofísicos y de medición durante la perforación (MWD), en el proceso de modelamiento de DomainMCF.
Clientes Beta
Maptek está buscando beta testers para recepcionar comentarios críticos, poder dirigir el desarrollo de productos y obtener acceso oportuno a nuevas competencias.
- El aprendizaje automático evita el engorroso modelado geológico manual y revela el alcance para una predicción de fallas precisa / intuitiva.
- Las fallas son más fáciles de identificar e incorporar en el modelado, lo que reduce los riesgos para la planificación minera.
- La velocidad del marco de cómputo de Maptek proporciona enormes ganancias de eficiencia y una imagen más completa de los depósitos.