Modelamiento Basado en Datos
Machine Learning puede cambiar la forma en que una mina en funcionamiento utiliza modelos geológicos y geotécnicos para mantener la información actualizada en un entorno de producción.
Una prueba de Maptek DomainMCF para acelerar la creación de modelos de control terrestre ha abierto la puerta para que Sibanye-Stillwater aplique Machine Learning a otros aspectos de sus operaciones.
DomainMCF es una aplicación simple capaz de absorber conjuntos de datos muy grandes. Una vez que el modelo de Machine Learning se ha entrenado en un conjunto de datos, puede generar un modelo de bloques de dominio predictivos muy rápidamente. Los geólogos tienen más tiempo para buscar características y tendencias significativas que puedan afectar la seguridad, la productividad y la rentabilidad.
DomainMCF permite un uso más oportuno y práctico de una valiosa inversión en la recopilación y el almacenamiento de datos.
Stillwater y East Boulder son minas subterráneas de PGM (metales del grupo del platino) de nivel poco profundo a intermedio en el centro-sur de Montana. Los dos métodos de minería principales son ramp &fill mecanizados y sub-level stoping mediante sondeos largos con relleno hidráulico. Se están realizando esfuerzos para ampliar la producción.
Durante 2020, Maptek comenzó a trabajar con Sibanye-Stillwater para evaluar si DomainMCF era una buena opción para su trabajo de modelamiento geológico. El enfoque de la ingeniera senior en mecánica de rocas con experiencia, Gretchen Moore, fue aprovechar los datos para la evaluación de riesgos de control del terreno y el modelado predictivo.
El complejo ígneo de Stillwater ha sido reconocido como un recurso metalífero desde finales del siglo XIX. El cobre, el níquel y el cromo se identificaron como afloramientos superficiales y el cromo se extrajo como un recurso estratégico en la década de 1930.
El yacimiento del grupo del platino se encuentra dentro de un horizonte conocido como el Arrecife J-M, un depósito estratiforme de tipo arrecife magmático de clase mundial.
Perforación y Modelamiento
Los programas de perforación diamantina de definición de producción implican que las derivaciones del eje primario se desplacen de 200 a 300 pies al sur y en paralelo al arrecife J-M. Estas derivaciones están separados verticalmente de 300 a 400 pies y son desplazados del al área de alta concentración de información existente de perforaciones diamantinas.
Cada 600 a 1200 pies de deriva primaria, Sibanye-Stillwater realiza una campaña de perforación diamantina del arrecife, que apunta a una cuadrícula espaciada de 50 pies a través del depósito estrecho.
Los sondeos se registran en su totalidad para litología, estructura, alteración y mineralización y selectivamente para datos geotécnicos dentro de unos 30 pies al norte y al sur de la zona mineralizada.
“La perforación programada durante 2020 involucró a los geólogos que mapearan más de 800,000 pies de testigos de perforación diamantina, decir que se trata de una gran cantidad de datos es quedarse corto”, dijo Moore.
Los geólogos de desarrollo tradicionalmente digitalizan las interpretaciones de secciones transversales en 2D. Este grupo también es responsable del diseño de programas de perforación, registro e interpretación.
Los geólogos de reservas y recursos actualizan las interpretaciones de la zona mineralizada, creando el modelo minero mínimo que se utiliza para diseñar áreas de stoping y calcular reservas.
El modelo geotécnico se construye utilizando datos geotécnicos o litológicos compuestos para predecir los tipos de terreno anticipados y el soporte de terreno requerido en todos los rubros de desarrollo y producción.
“Históricamente, los modelos de tipo de terreno solo se construían en las áreas que planeamos extraer, y el uso de la triangulación de mineral que los geólogos construyen para el modelamiento de reservas era relativamente laborioso”, dijo Moore.
El objetivo principal de la prueba de Machine Learning fue estimar las variables geotécnicas en un modelo de bloques. Cuando no se recopilan los datos geotécnicos, se dejan huecos en el modelo de tipo de terreno.
DomainMCF
Moore investigó software para expandir el uso de modelos geotécnicos y vio el valor potencial en Maptek DomainMCF
“No es solo un modelamiento de bloques más rápido, actualizando modelos en minutos, no en días, sino que también nos permite incluir la información más reciente en la planificación y la previsión”, dijo Moore.
Los datos de Sibanye-Stillwater existen en un formato estandarizado, por lo que se requirió poca manipulación de éstos para una ejecución exitosa del modelo de prueba.
La entrada de datos en DomainMCF consistió en un registro de litología de texto presentado como un código de roca numérico, que representa las 21 unidades litológicas que se modelarán. El primer modelo de prueba tardó 2 horas y 15 minutos en generarse.
Los geólogos estaban emocionados de ver cómo DomainMCF modeló los tipos y estructuras de rocas delgadas y problemáticas que son importantes para predecir las condiciones de control del terreno en la mina.
El equipo de geología de desarrollo pronto se dio cuenta de que podían dedicar más tiempo a realizar la interpretación geológica real y el modelado estructural en lugar del proceso de dibujo manual.
Luego, DomainMCF se probó en el dominio mineralizado, para compararlo con el flujo de trabajo de modelamiento explícito actual. El equipo de geología de recursos supervisará la reconciliación en curso y las pruebas de los test durante 2021 y 2022.
Para los modelos de Geotechnical Ground Control, los modelos de prueba DomainMCF mostraron mejoras significativas en la precisión, el tiempo de entrega y la efectividad, para guiar a los geólogos y planificadores de minas en los requisitos de soporte del terreno.
Los costos de uso del software DomainMCF se basan únicamente en el tiempo de cómputo real que se necesita para generar los modelos de dominio geológico. Maptek trabajó con el personal de Sibanye-Stillwater para extrapolar el tiempo de cálculo esperado de los primeros modelos de demostración, creando una estimación de uso presupuestario para toda la mina.
Al considerar la facilidad de uso de DomainMCF, Moore afirmó que, “la entrada y la configuración son rápidas y una vez que marcamos algunas de las sensibilidades, podría configurar un modelo para que se ejecute en menos de una hora. El nivel de detalle es mucho mayor de lo que podría lograrse mediante los esfuerzos de digitalización manual en cualquier tipo de forma oportuna ‘.
Los geólogos e ingenieros de Sibanye-Stillwater están ansiosos por ver la aplicación y el impacto en las actividades de planificación a corto y mediano plazo, a medida que avanzan las pruebas y el aumento de la utilización de los modelos DomainMCF.
Gracias a
Gretchen Moore
Ingeniero Senior de Mecánica de Rocas
Sibanye-Stillwater, Mina Stillwater
- Sibanye-Stillwater probó la eficacia de Machine Learning de cómo aprovechar los datos para la evaluación de riesgos de control terrestre y el modelamiento predictivo.
- Modelos de prueba DomainMCF que muestran mejoras significativas en la precisión, el tiempo de entrega y la efectividad para guiar a los geólogos y planificadores de minas.
- La velocidad de generación de modelos con el enfoque de Machine Learning permite a Sibanye-Stillwater incluir la información más reciente sobre planificación y previsión en un entorno de producción.