Nuevo paradigma para el modelado de dominios

Un modelo debe mostrar la mejor comprensión de las observaciones y hechos geológicos. Sin embargo, debe recordarse que la interpretación de estos hechos en una representación 3D completa no significa que se genere un resultado único.

Varias interpretaciones posibles pueden y deben ser generadas para probar hipótesis. La incertidumbre geológica puede ser tan importante, y en algunos casos es más importante, que la incertidumbre de ley al crear modelos de recursos e informes.

Hace muchos años, Maptek introdujo la capacidad de generar incertidumbre geológica en modelos implícitos, mediante los cuales se genera un conjunto anidado de sólidos 3D a partir del mismo conjunto de datos sin procesar.

La simulación de variables categóricas también puede generar modelos de dominio con incertidumbre. Los geólogos de recursos pueden tomar esta incertidumbre en el modelo de bloque de recursos y usarlo para generar un rango de estimaciones, no es un simple valor de tonelaje-ley para que el planificador de minas optimice durante el diseño y la factibilidad de la mina.

El modelamiento geológico basado en computadora tradicionalmente ha replicado métodos dibujados a mano. Por ejemplo, las interpretaciones seccionales se unen en sólidos 3D o se generan contornos de superficie para construir superficies de contorno 2D. Las superficies y los sólidos resultantes construyen los límites geológicos, que luego se utilizan para restringir los dominios en los modelos de bloque de recursos.

Dependiendo de la complejidad, la construcción de modelos 2D y 3D puede ser laboriosa y ocupar un porcentaje significativo de tiempo, tal vez hasta un 50%, en la preparación de modelos de recursos.

Un modelo 2D o 3D solo representará una posible interpretación de la geología in situ.

Las técnicas explícitas e implícitas se pueden utilizar individualmente o en combinación para la construcción del modelo, asegurando que los límites entre dominios se respeten y que los resultados generales sean geológicamente factibles.

El nuevo motor de deep learning  de Maptek ofrece la capacidad de generar límites de dominio directamente desde los datos de muestra de sondajes a un modelo de bloque, sin la necesidad de una digitalización manual que requiera mucho tiempo o funciones matemáticas lentas y engorrosas.

La función de deep learning  trabaja a través de los datos y correlaciona la codificación de la base de datos geológica directamente en el modelo de bloque, y luego utiliza los códigos de dominio resultantes para restringir la estimación de la calificación.

La determinación del dominio de deep learning es rápida, ya menudo toma unos minutos evaluar y generar los resultados de miles de sondajes.

El sub-bloqueo dentro del modelo de bloque resultante y las medidas de incertidumbre también se incorporan en el proceso de modelamiento de deep learning, lo que proporciona niveles de confianza en el resultado final.

El deep learning para la generación de dominios geológicos directamente en un modelo de bloque es el avance que los geólogos de recursos han estado buscando para una evaluación rápida de los modelos de recursos.

Póngase en contacto con Maptek para una demostración con sus datos.