Mejorando el modelamiento tradicional

Geólogos en una mina subterránea probaron Machine Learning de Maptek DomainMCF para modelar su recurso en Australia Occidental.

El depósito IGO Limited Nova-Bollinger está a 700 km al este de Perth. La operación Nova extrae y procesa minerales de sulfuro de níquel, cobre y cobalto.

El modelamiento tradicional de recursos consiste en una base de datos de sondajes que contiene 99 códigos litológicos y 11 de registro de mineralización de sulfuros. A partir de esta base de datos, los geólogos de la mina utilizan modelos implícitos para interpretar 22 dominios diferentes: 21 dominios de sulfuro y un dominio de halo de desechos que lo abarca todo.

El proceso de modelamiento de bloques lo lleva a cabo anualmente un equipo de geólogos en el sitio y en la oficina corporativa de Perth y lleva varios meses completarlo. Probaron DomainMCF en paralelo a su flujo de trabajo estándar como parte de la actualización de recursos de 2020.

Las entradas requeridas para DomainMCF son un archivo csv que comprende una base de datos de sondajes o datos compuestos y una superficie superior e inferior opcional para definir las extensiones espaciales de la región que se modelará. Un archivo de parámetros del modelo de bloques detalla el origen del modelo, la extensión espacial 3D y las dimensiones del bloque/subbloque.

Las estimaciones de ley se realizan en un tamaño de bloque de 6m x 6m x 2m y se permiten sub-bloques hasta una cuarta parte del tamaño del bloque principal.

Durante la prueba, se ejecutaron tres pruebas principales utilizando diferentes versiones del archivo de perforación para explorar las capacidades de la aplicación y ver cómo se comparaban con el flujo de trabajo existente.

La Prueba 1 proporcionó a DomainMCF el archivo compuesto de perforación para los 22 dominios diferentes. Se proporcionaron seis elementos químicos (Ni, Cu, Co, Fe, Mg y S) para ayudar con la fase de entrenamiento del algoritmo de Machine Learning.

Para la Prueba 2, los datos utilizados en la primera prueba se aumentaron con datos codificados de litología de la información del sondaje fuera de los límites de la estimación. Las variables químicas se usaron nuevamente para ayudar a entrenar el algoritmo.

El propósito de esta prueba era determinar si se podía producir un modelo litológico y de sulfuro combinado, y ver si proporcionar información adicional a DomainMCF afectaría la predicción de los dominios de sulfuro.

Se utilizó un enfoque de no intervención en la Prueba 3 para ver cómo DomainMCF modeló un archivo que contenía solo códigos de mineralización y la litología agrupada utilizada para la Prueba 2. No se utilizó ninguno de los códigos de dominio de la Prueba 1.

La Prueba 3 examinó si el modelo DomainMCF era comparable a un modelo de dominio codificado manualmente y si era útil en el proceso de estimación de recursos minerales.

El geólogo senior de minas de IGO, Fletcher Pym, presentó los resultados del ensayo en un documento en la Conferencia Internacional de Geología Minera AusIMM 2022.

“Pudimos ejecutar la Prueba 3, que era un modelo relativamente complicado, en 45 minutos”, dijo Pym.

Para Pym, la Prueba 3 también mostró que Machine Learning puede producir modelos muy completos sin la fuerte influencia de un geólogo.

Obtener los datos correctos desde el principio, produce un modelo de depósito de alta calidad, lo que abre nuevas posibilidades.

Debido a que Machine Learning hizo que el modelamiento de recursos fuera mucho más rápido, el personal senior tuvo más tiempo para concentrarse en capacitar a los registradores centrales menos experimentados. La mejora de los procesos dio como resultado un registro de sondajes de mejor calidad.

“Machine Learning se volverá particularmente atractivo si el proceso no sólo puede modelar dominios geológicos, sino también generar estimaciones de ley confiables para la planificación de minas en toda la gama de estilos de mineralización”, dijo Pym.

“Proporcionar una medida de confianza bien entendida puede ayudar en la cuantificación del riesgo tanto de la geología como de las estimaciones de ley”.

El studio destacó grandes ventajas de Machine Learning:

• Las entradas requeridas para el procesamiento de Machine Learning se pueden preparar fácilmente en la mayoría del software de modelamiento de recursos.
• Los tiempos de modelamiento de Machine Learning son relativamente cortos.
• El modelo comercial de pago por uso es más rentable que mantener sistemas de software de modelamiento implícito.
• El modelo de Machine Learning arroja una medida objetiva de la incertidumbre en el modelamiento geológico, que probablemente sea útil en la clasificación de recursos minerales y el trabajo de reconciliación minera.
• Se pueden preparar múltiples modelos geológicos diferentes en paralelo, cumpliendo con el requisito de JORC para investigar “el efecto, si lo hay, de interpretaciones alternativas en la estimación de recursos minerales”.

El Technical Lead de Maptek para DomainMCF, Steve Sullivan, está entusiasta con el potencial de Machine Learning para revolucionar el modelamiento de recursos.

“Estoy sorprendido por la respuesta: ya estamos viendo empresas que se suscriben a DomainMCF para usarlas en el modelamiento de dominios para sus informes de recursos de 2022”, dijo Sullivan.

“Machine Learning funciona mejor cuando se presentan todos los datos disponibles, como se muestra en la Prueba 3. Cuantos más datos, mejor”.

“La industria está luchando por encontrar personal experimentado durante el actual auge de la minería, por lo que incorporar años de experiencia en sistemas inteligentes ayuda a realizar el trabajo a tiempo y dentro del presupuesto”.

Maptek continúa trabajando en las mejoras propuestas para DomainMCF luego de los comentarios de las pruebas de la industria. La predicción de tendencias de ley se agregó en el lanzamiento de marzo de 2022 y una fuerte aceptación por parte de los clientes impulsará más avances.

Gracias a
Fletcher Pym
Senior Mine Geologist
IGO Limited