DomainMCF uses the full richness of geological information to provide better understanding of complex deposits.

Aprovechamiento de la complejidad de los depósitos

Las técnicas de Machine Learning utilizan todas las fuentes de datos para el modelamiento geológico, aumentando la comprensión de depósitos complejos y mejorando las decisiones.

Puntos Clave

  • La poca cantidad de datos o el uso inadecuado de las técnicas de Machine Learning pueden conducir a resultados que pueden tergiversar la realidad igual que con las técnicas actuales.
  • Machine Learning rara vez ofrece un único resultado "correcto", sino una gama de posibles resultados a partir de los datos proporcionados.
  • DomainMCF utiliza toda la riqueza de la información geológica para proporcionar una mejor comprensión de los depósitos complejos.
Los datos suelen ser demasiado complejos o desordenados como para incorporarlos a un modelo de recursos, con riesgo de simplificación excesiva o suavizado.

Durante el desarrollo de Maptek ™ DomainMCF, se llevó a cabo una revisión de los informes de recursos presentados a los cuerpos estatutarios. Esto encontró modelos geológicos con límites de litología demasiado suavizados, muchos de los cuales no representan cómo aparece la geología en el campo, minería subterránea o rajo abierto.

Los datos subyacentes son a menudo demasiado complejos o desordenados para ser incorporados al modelo de recursos, por lo tanto son una simplificación de la realidad, en detrimento de la operación minera y sus accionistas.

Estas aproximaciones se pueden mejorar con nuevas técnicas de modelamiento como Machine Learning. Sin embargo, con datos deficientes o un uso inadecuado de estas técnicas, las conclusiones pueden ser tan engañosas como con las técnicas actuales.

La complejidad en el modelamiento de depósitos se ve acentuada por al menos seis factores: diversidad de datos, controles estructurales, química, volúmenes de datos, flujos de trabajo de procesos y restricciones externas.

Diversidad de Datos

Los modelos se crean para representar la geología subyacente para su uso en la estimación de recursos, informes, estudios geotécnicos, trabajo geometalúrgico y planificación de minas.

Los datos relevantes pueden obtenerse de una variedad de tecnologías como el registro geológico, geoquímica, geofísica, geotécnia, hiperespectral, pXRF, fotografía y lidar.

Cada fuente tiene diferentes formatos de datos y proporciona diferentes niveles de precisión y relevancia.

Además de fusionar datos de diferentes orígenes, un entorno de análisis, interpretación y modelamiento, debe ser capaz de procesar la compleja matriz de datos dispares.

Controles Esctructurales

Muchos sistemas mineralizados se han formado controlados por estructuras, mientras que otros han sido modificados desde su emplazamiento por eventos post-mineralizados como plegamientos, fallas y / o cizallamiento, a veces de múltiples generaciones.

Comprender el marco estructural es importante en el modelamiento de depósitos.

La secuencia o jerarquía de eventos complejos, como fallas posteriores al depósito o emplazamiento de diques transversales, afectará la competencia geotécnica y los estudios de planificación de la mina.

Química

Los depósitos minerales son enriquecimientos naturales de elementos o compuestos de interés económico. Los depósitos pueden ser simples en geometría pero complejos en mineralogía y composición química.

Esta complejidad puede existir en los minerales económicamente importantes, donde están atrapados en especies minerales refractarias. Y cuando los elementos deletéreos están íntimamente entrelazados dentro de la mineralización, también es necesario comprender su distribución.

Volúmenes de Datos

La mayor disponibilidad y variedad de sensores que recopilan datos para el modelamiento geológico ha dado lugar a un volumen de datos significativamente mayor.

Un modelo geológico se beneficia al incluir la roca rural circundante y los controles estructurales regionales, así como las interpretaciones de minerales y vetas.

Hace una década, era posible que el tamaño de los datos de entrada se midiera en megabytes o gigabytes; la generación actual de imágenes de sondajes a partir de sensores hiperespectrales puede generar terabytes en minutos.

La gestión de la validación, integración y utilidad de estos datos es un desafío importante para las operaciones y se suma a la matriz de complejidad.

Flujos de Trabajo de Procesos

Muchos clientes utilizan una gran cantidad de software diferentes para administrar y procesar sus datos geológicos.

Tener interacciones de software complejas, agrega una sobrecarga para la administración de aplicaciones de TI y el flujo de datos, lo que requiere la validación de que el proceso no se interrumpe por las actualizaciones de software.

También existe un mayor potencial de errores en la transferencia de datos. El aprendizaje de múltiples interfaces de software nuevas, cada una con su propio método de funcionamiento, puede resultar confuso, por lo que se requiere más esfuerzo para incorporar nuevo personal a un equipo.

Restricciones externas

Además de las limitaciones técnicas, las complejidades externas pueden afectar la producción de modelos geológicos.

La continuidad del personal de geología es una preocupación constante para muchas operaciones.

Las minas multigeneracionales requieren administración a través de los ciclos de contratación / despido , que siguen los altibajos de los precios de las materias primas. Las operaciones remotas o de corta duración que utilizan personal que llega y sale, pueden experimentar una fuerza laboral inconsistente y distraída.

Es importante mantener la integridad de los datos geológicos, independientemente de quién los recopile y registre.

Casos Prácticos

En un proyecto reciente para un depósito adyacente a una mina existente en un entorno estructural complejo, más de 50 códigos de litología se redujeron a seis códigos compuestos para modelar.

Esta reducción de la complejidad, incluida la ignorancia de las zonas que se habían registrado como fallas o cizallas, dio como resultado un modelo demasiado simplificado.

La presentación de la riqueza completa de los datos a DomainMCF resultó en un modelo con una mezcla complicada de fallas y cizalladuras que distorsionaron las litologías.

El uso de toda la información geológica en el modelo de recursos resultante, trajo nueva luz para comprender el depósito, proporcionando una base para decisiones de planificación minera más informadas.

Machine Learning rara vez ofrece un único resultado "correcto", sino una gama de posibles resultados a partir de los datos proporcionados. ¿Proporciona información significativa de una manera fácilmente accesible? Absoluta y rápidamente.

Use todos los datos, use DomainMCF