Оптимизация классификации ресурсов: автоматическое сглаживание категорий с помощью Leapfrog и Asturmine

При оценке минеральных ресурсов присвоение категорий (измеренные, исчисленные и предполагаемые) является стандартной практикой, регулируемой международными кодексами, такими как JORC или NI 43-101. Эта классификация отражает степень геологической и технической уверенности в непрерывности и качестве ресурса и оказывает прямое влияние на принятие решений по планированию, экономическую оценку и технико-экономические обоснования.

Тем не менее, при применении строгих количественных критериев (таких как количество проб, slope of regression, среднее расстояние и т. д.) создаваемые модели часто демонстрируют сильно фрагментированное пространственное распределение. Это приводит к геологически некорректным ситуациям, таким как изолированные блоки измеренных ресурсов внутри зон предполагаемых ресурсов или мозаичные структуры, не соответствующие реалистичной геологической интерпретации.

Таким образом, сглаживание категорий ресурсов — resource category smoothing — выступает в качестве важнейшего инструмента для повышения пространственной согласованности, упрощения коммуникации по модели, предотвращения ошибок интерпретации при планировании горных работ и обеспечения технической надежности итогового отчета. Эта практика также согласуется с рекомендациями многих Компетентных лиц (Competent Persons) и технических аудиторов, требующих наличия критической массы и минимальной непрерывности для каждой категории ресурсов.

Наиболее распространенная процедура сглаживания категорий ресурсов заключается в ручном редактировании каркасов или полилиний на каждом сечении или горизонте модели с реклассификацией блоков на основе их ближайшего окружения. Несмотря на эффективность в некоторых контекстах, этот метод имеет серьезные ограничения:

• Высокая рабочая нагрузка: требуется многочасовая интенсивная работа моделиста, особенно на месторождениях со сложной геометрией или множественными доменами.
• Ненужные повторения: каждый раз при обновлении блочных моделей из-за новых данных бурения или изменений параметров оценки весь процесс сглаживания приходится переделывать с нуля.
• Субъективность и произвольность: поскольку классификация зависит от ручной интерпретации, она может меняться от сечения к сечению или у разных специалистов, что вносит систематические погрешности и снижает воспроизводимость.
• Ограниченная масштабируемость: на крупных горнодобывающих предприятиях или в рамках многолетних кампаний поддерживать согласованность сглаживания с течением времени становится практически невозможным.

В результате во многих моделях в итоге отражаются нереалистичные категории, либо специалисты вынуждены оставлять «разорванные» зоны просто из-за нехватки времени или ресурсов для проведения тщательного сглаживания.

В ответ на ограничения традиционного ручного сглаживания компания Asturmine разработала автоматизированную методологию сглаживания категорий ресурсов, основанную на использовании индикаторных численных моделей (Indicator Numerical Models, INM) в платформе Leapfrog Geo от Seequent. Эта методология позволяет создавать согласованные, воспроизводимые и обновляемые каркасы для доменов измеренных и исчисленных ресурсов, устраняя субъективность и значительно сокращая время работы.

Рис. 1: Модель без сглаживания

Рис. 2: Модель со сглаживанием

1. Генерация бинарных столбцов на основе математического RESCAT

Процесс начинается с числового поля классификации блочной модели, созданного в ходе оценки ресурсов (например, столбец типа RESCAT_MATH, в котором значения 1, 2 и 3 обозначают измеренные, исчисленные и предполагаемые блоки соответственно). На основе этого поля:

• Экспортируется блочная модель, отфильтрованная по полезному ископаемому (напр., «Ore»), включающая только столбец математической классификации.
• Файл импортируется как файл точек в Leapfrog Geo, при этом необходимо убедиться, что поле распознается как числовое, а не категориальное, так как для работы моделей INM требуются числовые поля.

После импорта создаются два новых столбца, которые будут служить бинарными индикаторами:

• INM_Medido: значение 1, если блок является измеренным. Значение 0 в любом другом случае.
• INM_Indicado: значение 1, если блок является измеренным или исчисленным. Значение 0, если он предполагаемый.

Эти два столбца будут использоваться в качестве основы для генерации двух независимых моделей INM.

2. Настройка параметров индикаторной численной модели

Строятся две модели INM, по одной для каждой категории:

• INM_Medido: разграничивает зоны модели с бинарной классификацией 1 для измеренных блоков.
• INM_Indicado: разграничивает совместный контур измеренных и исчисленных блоков.

Критически важными настраиваемыми параметрами INM являются:

• Разрешение поверхности (Surface Resolution): определяет уровень детализации результирующего каркаса. Более высокая разрешающая способность создает модели, более точно соответствующие облаку точек, в то время как более высокие числовые значения сильнее сглаживают контур.
• Изозначение (Isovalue): определяет порог модели для включения точки в домен. Низкое значение (напр., 0,25) имеет тенденцию расширять домен, включая менее связанные точки и создавая более крупные контуры. Высокое значение (напр., 0,75) формирует более ограниченный и селективный домен, создавая меньшие контуры.
• Функция интерполяции: необходимо использовать сфероидальную функцию, которая требует: Определение диапазона интерполяции: этот диапазон определяет объем влияния каждой точки и, следовательно, контролирует количество блоков, которые должны быть сгруппированы для создания непрерывного контура. Высокий диапазон = большее сглаживание, меньше «островков». Низкий диапазон = большая детализация, но выше риск внутренней фрагментации.
• Фильтр объема (Volume Filter): ключевой инструмент для удаления небольших остаточных объемов (артефактов), которые могут появляться внутри более крупных доменов. Этот шаг уточняет конечный результат, удаляя элементы, не несущие геологического смысла.

Оптимальная настройка этих параметров будет зависеть от типа месторождения, шага сети скважин и целей моделирования (экономические исследования, планирование горных работ и т. д.).

3. Группировка и итоговая оценка модели

После генерации обеих моделей INM создается комбинированная сгруппированная сетка (Grouped Mesh), объединяющая внутренние (inside) объемы обеих моделей INM с предоставлением иерархического приоритета объему измеренных ресурсов. Эта группировка оценивается непосредственно на исходной блочной модели, обновляя столбец сглаженной классификации (RESCAT_INM).

Это позволяет получить новое поле классификации категорий, значительно более согласованное в пространстве, готовое для отчетности, планирования или аудита.

Рис. 3. Модель без сглаживания.

Рис. 4. Модель со сглаживанием.

Дополнительное расширение: сглаживание переходов между измеренными и предполагаемыми ресурсами

В некоторых моделях даже после применения INM могут сохраняться прямые контакты между измеренными и предполагаемыми блоками без промежуточных исчисленных блоков. Такая ситуация противоречит принципу последовательности в уверенности в ресурсах (измеренные → исчисленные → предполагаемые), особенно в отчетах по стандартам JORC.

Чтобы избежать этого, Asturmine предлагает расширение метода:

• Вокруг объема измеренных ресурсов создается буфер с помощью инструмента New Distance Factor в Leapfrog.
• Этот буфер с настраиваемой толщиной (напр., 10 метров) пересекается с предполагаемыми блоками и может быть реклассифицирован как исчисленная зона или оставлен в качестве переходной зоны.
• Результатом является модель, в которой гарантируется последовательное разделение категорий с соблюдением логики геологической модели и стандартов классификации ресурсов.

Сглаживание категорий ресурсов больше не должно быть ручной, медленной и субъективной задачей. Благодаря своему инновационному и строгому подходу компания Asturmine автоматизирует этот критически важный процесс, повышая качество моделей и оптимизируя ресурсы технической команды. Эта методология не только улучшает презентацию модели, но и укрепляет техническую надежность отчета, прозрачность для аудиторов и уверенность при принятии стратегических решений.

Asturmine продолжает разрабатывать решения, сочетающие в себе науку, технологии и эффективность на службе современной горнодобывающей промышленности.