Atteindre l’objectif de modélisation rapide

Maptek a développé une nouvelle solution pour évaluer les projets, passant de la base de données au rapport de ressources en 30 minutes. L’établissement d’un rapport sur les ressources minérales conventionnelles pour un gisement typique peut absorber des semaines ou des mois d’efforts géologiques. En réponse à la demande de résultats plus rapides, Maptek a développé une nouvelle solution qui libère un énorme potentiel pour l’évaluation de projets potentiels.

Actuellement, après la validation de la base de données et la construction de la géométrie du modèle de bloc, la phase suivante consiste à interpoler la pente en blocs individuels. Les techniques d’estimation de grade couramment utilisées comprennent la distance inverse, le krigeage (plusieurs variantes) et la simulation conditionnelle (également avec une multitude de saveurs). Ceux-ci ont été développés et réaménagés, poursuivant l’objectif d’une meilleure prévision des teneurs in situ dans les gisements de minerai.

«Les techniques mathématiques ne peuvent à elles seules fournir des estimations réalistes des notes», a déclaré Steve Sullivan, chef de produit. «Le géologue fournit une compréhension intuitive de la géométrie du gisement, qui est essentielle pour guider les algorithmes vers les objectifs ultimes.

Des algorithmes d’estimation ont été déployés dans l’industrie dans de nombreuses plates-formes logicielles. Cependant, la mise en place d’une estimation pour une seule variable dans un seul domaine géologique en utilisant la technique de la distance inverse implique jusqu’à 190 décisions.

De même, l’application du krigeage ordinaire à une seule variable / domaine prend jusqu’à 170 décisions dans le travail de préparation seul, pour déterminer les paramètres appropriés à l’aide de la variographie et de l’analyse du voisinage de krigeage, suivis par un autre potentiel de 220 décisions pour effectuer l’estimation de krigeage.

Les dépôts ont rarement une seule marchandise d’intérêt économique au sein d’une même géologie uniforme. Par exemple, un client de Maptek possède environ 900 combinaisons de domaines variables / géologiques. L’application du krigeage à l’estimation de l’ensemble du gisement nécessite environ 35 000 décisions.

Il n’est pas étonnant que l’établissement d’un rapport sur les ressources minérales conventionnelles implique des semaines ou des mois d’efforts géologiques. Les contraintes de temps ne permettent souvent pas à la personne compétente responsable du processus de reporting des ressources de valider chaque décision.

Grâce à des consultations avec des clients clés, une R&D approfondie et des tests avec des ensembles de données réels, Maptek a maintenant développé une nouvelle solution pour accélérer la modélisation des ressources et le reporting. L’approche d’apprentissage en profondeur, optimisée par le moteur d’apprentissage automatique de Maptek, s’est déjà avérée bénéfique pour l’opération minière qui a associé le développement.

La base de données géologique est téléchargée dans le système d’apprentissage en profondeur avec plusieurs paramètres sélectionnés. L’analyse des données conduit à l’attribution automatisée des réglages des paramètres d’estimation, suivie de l’interprétation du domaine géologique, de l’interpolation des teneurs et de l’analyse des incertitudes.

Les résultats sont téléchargés dans le format de modèle de bloc Maptek standard pour la communication des ressources et la collaboration avec d’autres utilisateurs du modèle de ressources géologiques, tels que les ingénieurs géotechniques, de planification minière et d’ordonnancement minier.

Le processus d’apprentissage en profondeur modélise simultanément des données multivariables / multidomaines. Les données d’entrée sont validées avant la modélisation et les résultats sont validés avec des techniques de cartographie standard.

De la base de données géologique au rapport sur les ressources, cela prend environ 30 minutes, contre des semaines ou des mois pour les processus conventionnels. Il s’agit d’une technique de modélisation vraiment rapide. La modélisation des ressources à l’aide du moteur d’apprentissage automatique de Maptek sera disponible en 2019.