Herramientas de geología para proyectos de ingeniería

Machine Learning es una tecnología nueva y emocionante que está teniendo éxito en la generación de modelos rápidos utilizando grandes cantidades de datos. Uno de los mayores beneficios de Maptek DomainMCF es que deja más tiempo para el análisis y la evaluación geológicos.

El desafío ofreció a los participantes la oportunidad de experimentar los beneficios de primera mano al proporcionar acceso a las herramientas del software para aplicar un proyecto relacionado con la geología, con énfasis en la innovación.

Richard Jackson, Senior Technical Lead de Maptek y organizador del desafío global, dijo que estaba complacido con el esfuerzo de todos los participantes.

“Los trabajos ganadores fueron ejemplos sólidos de problemas bien definidos que eran difíciles de resolver con métodos tradicionales, destacando el beneficio de usar Machine Learning para actuar sobre múltiples tipos de datos para crear un modelo geológico”, dijo Jackson.

El ganador del desafío, que tuvo que completarse en una semana, fue Henry Dillon, un geólogo senior con consultores globales, Golder, miembro de WSP.

Dillon, que trabaja en Christchurch, Nueva Zelanda, aplicó Maptek Vulcan, Vulcan GeologyCore, Vulcan Data Analyzer y DomainMCF para modelar la geología compleja de superficies poco profundas debajo de una estructura de ingeniería propuesta.

“Había querido probar DomainMCF durante algún tiempo, desde que comencé a ver que se usaba y se hablaba de él”, dijo Dillon.

“Nuestro problema clave era cómo usar todos los datos de los pozos para modelar todas las geologías y aun así obtener las arenas de baja y alta densidad en los lugares correctos a lo largo de esos pozos”, continuó.

La respuesta de Dillon fue asignar y usar valores numéricos y combinar los datos con los tipos de comportamiento del suelo y las velocidades de las ondas de corte para controlar el modelo geológico.

DomainMCF manejó la interdefinición complicada de materiales arenosos y limosos y modeló las interacciones arena-grava, generando las complejas interacciones litológicas que se esperan de los sistemas fluviales trenzados.

La velocidad es un beneficio conocido de DomainMCF y resultó ser el caso del estudio de Christchurch.

Pudimos construir un modelo litológico razonable a partir de los datos de las pruebas de penetración de conos y sondajes para un área de complejidad geológica conocida. ¡Enviamos 193,000 puntos de datos a DomainMCF y recibimos nuestro modelo después de 13 minutos y 6 segundos! ”, dijo Dillon.

Además del enfoque innovador para la evaluación geotécnica del rendimiento y el diseño para la base de una estructura futura, Dillon proporcionó comentarios invaluables para mejorar la solución de modelamiento integrada para todos los usuarios.

“DomainMCF se ha enfocado en la industria minera, pero muchas otras industrias encuentran que los procesos de modelamiento tradicionales consumen tanto tiempo – podemos distribuir el beneficio”, comentó Dillon.

El segundo lugar en la competencia fue otorgado a un equipo de Anglo American dirigido por Reece Stewart, por su enfoque innovador para el modelamiento de definición de sobrecarga y el tercer lugar fue para Matt Green, Evolution Mining, quien comparó el modelamiento implícito con DomainMCF para interpretar estructuras geológicas complicadas.

“Las presentaciones mostraron una variedad de técnicas y aplicaciones novedosas que contribuirán a la innovación en nuestra industria”, concluyó Jackson.

Maptek está ejecutando otro desafío el 2022 y espera la colaboración continua de la industria para simplificar los procesos de modelamiento e inspirar a los geólogos a encontrar aplicaciones adicionales para la tecnología de Machine Learning.