Table of Contents

Reserveschatting is een kritisch proces in de winning van mineralen en mijnbouwactiviteiten, dat essentiële gegevens voor de besluitvorming, projectplanning en investering evaluatie levert. Nauwkeurige berekeningen helpen de economische levensvatbaarheid van een depot en gids beheer van hulpbronnen strategieën tijdens de levensduur van een mijnbouwproject bepalen. Minerale bronschatting omvat de bepaling van de kwaliteit en tonnage van een minerale depot op basis van de geologische kenmerken met behulp van verschillende schattingsmethoden. De precisie en betrouwbaarheid van deze schattingen direct impact mijnplanning, productieplanning, en het algehele financiële succes van mijnbouwondernemingen.

Het begrijpen van de complexiteit van reserveschatting vereist kennis van meerdere disciplines, waaronder geologie, statistieken, wiskunde en mijnbouwtechniek. Het proces is in de loop van de decennia aanzienlijk geëvolueerd, van eenvoudige geometrische methoden naar geavanceerde geostatistische technieken die rekening houden met ruimtelijke variabiliteit en onzekerheid. De huidige mijnbouw professionals moeten navigeren op een reeks van methodologieën, softwareplatforms en internationale rapportagenormen om geloofwaardige resource schattingen die voldoen aan de regelgeving eisen en beleggers verwachtingen te produceren.

Inzicht in minerale hulpbronnen en reserves

Voordat men zich in schattingsmethoden verdiept, is het van essentieel belang het onderscheid te begrijpen tussen minerale hulpbronnen en minerale reserves. De afgeleide minerale bron is het deel van een minerale bron waarvoor de hoeveelheid, de kwaliteit (of de kwaliteit) en het gehalte aan mineralen met een laag vertrouwensniveau kunnen worden geschat. Het wordt afgeleid uit geologische gegevens en verondersteld maar niet geverifieerde geologische of kwaliteit continuïteit. Het is gebaseerd op informatie die wordt verzameld door middel van geschikte technieken van locaties zoals uitwerpselen, loopgraven, putten, werken en boorgaten die van beperkte of onzekere kwaliteit kunnen zijn.

De geënquêteerde hulpbronnen zijn eenvoudige economische minerale voorvallen die zijn bemonsterd (van locaties zoals uitwerpselen, loopgraven, putten en boorgaten) tot een punt waar een schatting is gemaakt, met een redelijk vertrouwensniveau, van hun metalen, kwaliteit, tonnage, vorm, dichtheden, fysieke kenmerken. Gemeten hulpbronnen vertegenwoordigen het hoogste vertrouwen, nadat voldoende monsters zijn genomen dat een bevoegde persoon hen betrouwbaar heeft verklaard voor gedetailleerde mijnplanning en haalbaarheidsstudies.

Er zijn verschillende classificatiesystemen voor de economische evaluatie van minerale deposito's wereldwijd. De meest gebruikte schema's gebaseerd op de International Reporting Template, ontwikkeld door de CRRSCO . . Commissie voor minerale reserves International Reporting Standards, zoals de Australische Joint Ore Reserves Committee . . JORC Code 2012, de Pan-European Reserves & Resources Reporting Committee' . . . PERC Reporting Standard uit 2021, het Canadese Institute of Mining, Metallurgy and Petroleum . . CIM classificatie en de Zuid-Afrikaanse Code voor de rapportage van minerale bronnen en minerale reserves (SAMREC). Deze codes zorgen voor consistentie en transparantie in de rapportage van minerale hulpbronnen en reserves wereldwijd.

Stichting: Geologische modellering en gegevensverzameling

De nauwkeurigheid van een reserveschatting is fundamenteel afhankelijk van de kwaliteit en kwantiteit van de verzamelde geologische gegevens. Een typische schatting van de bron betreft de bouw van een geologische en resource model met gegevens uit verschillende bronnen. Deze gegevensverzamelingsfase is een van de belangrijkste investeringen in exploratieprojecten, omdat boorprogramma's miljoenen dollars kunnen kosten, afhankelijk van de diepte, toegankelijkheid en complexiteit van de afzetting.

Gegevensverzameling door boren en bemonstering

Boorprogramma's vormen de ruggengraat van de gegevensverzameling van mineralen. Verschillende boormethoden worden gebruikt, afhankelijk van de exploratiefase, het depottype en budgetbeperkingen. Diamantkernboren bieden de hoogste kwaliteit monsters, waardoor geologen intacte rotskernen kunnen onderzoeken en geologische structuren, mineralisatiepatronen en veranderingszones kunnen begrijpen. Omgekeerde circulatie (RC) boren biedt een sneller en rendabeler alternatief, waardoor gesteentechips kunnen worden geanalyseerd voor kwaliteit, maar minder geologische details bieden dan kernmonsters.

De afstand en oriëntatie van boorgaten beïnvloeden de kwaliteit van de schatting van de bron. Regelmatige boorgatafstand op een rasterpatroon vergemakkelijkt schatting en classificatie, terwijl onregelmatige afstand nodig kan zijn om geologische structuren of test specifieke doelen te volgen. Boorgatoriëntatie moet de geometrie van het gemineraliseerde lichaam overwegen om representatieve bemonstering te garanderen. Gaten geboord loodrecht op de staking en dip van mineralisatie bieden de meest nauwkeurige diktemetingen en verminderen bemonstering vooroordeel.

De protocollen voor de monsterverzameling moeten een strikte kwaliteitsborging en kwaliteitscontrole (QA/QC) volgen. Dit omvat het invoegen van gecertificeerde referentiematerialen (standaarden), blanco monsters en duplicaten van monsters in de monsterstroom om de analytische nauwkeurigheid te controleren, besmetting te detecteren en de bemonsteringsnauwkeurigheid te beoordelen. Slechte bemonsteringspraktijken of ontoereikende QA/QC kunnen significante fouten introduceren die zich verspreiden door het gehele schattingsproces, wat mogelijk leidt tot overschatting of onderschatting van hulpbronnen.

Database aanmaken en valideren

Zodra monsters worden verzameld en geanalyseerd, moeten de gegevens worden samengesteld in een uitgebreide database die geologische, geochemische en geotechnische informatie integreert. Moderne exploratie databases omvatten meestal boorgat kraag coördinaten, down-hole enquête gegevens, lithologische logs, assay resultaten, dichtheid metingen, en verschillende andere kenmerken die relevant zijn voor de schatting van de bron.

Databasevalidatie is een kritische stap die het controleren van fouten, inconsistenties en anomalieën in de gegevens omvat. Dit omvat het verifiëren dat de coördinaten van de kraag nauwkeurig zijn, down-hole onderzoeken redelijk zijn, monsterintervallen continu zijn zonder hiaten of overlappingen, en de testwaarden vallen binnen de verwachte marges. Statistische analyse van de database helpt bij het identificeren van uitschieters, gegevensinvoerfouten en potentiële kwaliteitsproblemen die moeten worden opgelost voordat met de schatting wordt begonnen.

Geologische interpretatie en domeindefinitie

Geologische interpretatie omvat het syntheseren van alle beschikbare gegevens om een driedimensionaal begrip te ontwikkelen van de structuur, stratigrafie en mineralisatie controles van de afzetting. Deze interpretatie leidt tot het creëren van geologische domeinen of inschatting domeinen die volumes van relatief homogene geologische en kwaliteitskenmerken vertegenwoordigen.

Domeindefinitie is cruciaal omdat verschillende geologische eenheden vaak afzonderlijke schattingsparameters vereisen en verschillende ruimtelijke continuïteitskenmerken kunnen vertonen. Domein kan worden gedefinieerd op basis van lithologie, veranderingstype, mineralisatiestijl of klassepopulaties. De grenzen tussen domeinen moeten echte geologische contacten of graadovergangen weerspiegelen in plaats van willekeurige indelingen.

Deze digitale oppervlakken worden geconstrueerd door geologische contacten te interpreteren op doorsneden of niveauplannen en vervolgens deze interpretaties te verbinden om continue oppervlakken te creëren. De draadframes definiëren de volumes waarbinnen de graadschatting zal worden uitgevoerd en dienen als beperkingen voor het blokmodel.

Blokmodellering: Het kader voor de raming

Het blokmodel is gemaakt met behulp van geostatistische gegevens en de geologische gegevens verzameld door het boren van het prospectieve erts zone. Het blok model is in wezen een set van specifiek formaat "blokken" in de vorm van het gemineraliseerde erts. Hoewel de blokken allemaal dezelfde grootte hebben, de kenmerken van elk blok verschillen. De kwaliteit, dichtheid, rotstype en vertrouwen zijn allemaal uniek voor elk blok binnen het hele blok model.

Blokmodellen bieden een gestandaardiseerd kader voor het schatten en rapporteren van minerale bronnen. In plaats van te proberen om te schatten op elke mogelijke locatie binnen een storting, wordt het gemineraliseerde volume onderverdeeld in reguliere blokken, en de gemiddelde kwaliteit van elk blok wordt geschat op basis van de nabijgelegen steekproefgegevens. Deze aanpak vereenvoudigt de daaropvolgende mijnplanningsactiviteiten, aangezien blokken direct kunnen worden toegewezen aan mijnbouweenheden en productieschema's.

Blokgrootteselectie

Zodra de gemineraliseerde lichamen zijn gedefinieerd, worden ze onderverdeeld in blokken. De afmetingen van elk blok zijn afhankelijk van de morfologie van het gemineraliseerde lichaam, de ruimtelijke verdeling van de gegevens, en de geplande mijnbouwmethode (bijvoorbeeld de hoogte van de bank in open-pit mijnbouw). Blokgrootte selectie omvat het balanceren van verschillende concurrerende factoren.

Kleinere blokken bieden een grotere resolutie en kunnen beter de variabiliteit binnen de afzetting weergeven, maar ze verhogen de rekenvereisten en kunnen leiden tot schatting van artefacten als de sample-afstand onvoldoende is om de gekozen blokgrootte te ondersteunen. Grotere blokken verminderen de rekeneisen en zijn meer geschikt wanneer de sample-afstand groot is, maar ze kunnen belangrijke variaties in de kwaliteit verzachten en minder flexibiliteit bieden voor mijnplanning.

Een gemeenschappelijke aanpak is het selecteren van een ouder blok grootte die uitlijnt met de geplande mijnbouw selectiviteit, zoals de hoogte van de bank voor open-pit operaties of de stope dimensies voor ondergrondse mijnbouw. Sub-blokkering kan dan worden toegepast om beter te eren geologische grenzen en het volume berekeningen te verbeteren zonder afbreuk te doen aan de schatting kwaliteit. Sub-blokken erven de kwaliteit van hun ouder blok, maar zorgen voor een nauwkeurigere weergave van het mineraliseerde volume, vooral in de buurt van domeingrenzen.

Modelattributen voor blok

Elk blok in het model slaat meerdere attributen op die verder gaan dan alleen cijferschattingen. Gemeenschappelijke attributen omvatten coördinaten (X, Y, Z positie), geologische domeincodes, geschatte kwaliteiten voor verschillende elementen, dichtheid of specifieke zwaartekracht, classificatiecategorie (gemeten, aangegeven, afgeleid), aantal monsters gebruikt in schatting, afstand tot het dichtstbijzijnde monster, en schattingsvariaties of andere onzekerheidsmaatregelen.

Aanvullende kenmerken kunnen metallurgie kenmerken, geotechnische eigenschappen, milieuparameters, en economische variabelen zoals netto smelter rendement of winst per blok. Deze uitgebreide attributie transformeert het blok model van een eenvoudige rang schatting in een krachtig instrument voor mijnplanning, planning, en economische evaluatie.

Methoden voor de raming van de reserve

De methode van de conventionele schatting, zoals geometrische en geostatistische technieken, blijft de meest gebruikte methode voor de schatting van de hulpbronnen. Verschillende methoden worden gebruikt om de minerale reserves te schatten, elk geschikt voor verschillende typen afzettingen en beschikbaarheid van gegevens. De selectie van een geschikte schattingsmethode is afhankelijk van factoren zoals de geologische complexiteit van de afzetting, de ruimtelijke verdeling en dichtheid van de monstergegevens, de variabiliteit van de kwaliteit, het vereiste vertrouwensniveau en de beschikbare tijd en budget.

Geometrische methoden

Geometrische methoden vertegenwoordigen de vroegste benaderingen om schattingen te reserveren en blijven nuttig in bepaalde omstandigheden, met name tijdens vroege exploratie of voor eenvoudige, goed gedefinieerde afzettingen. Deze methoden kennen klassen toe aan blokken op basis van nabijheid van de bemonsteringspunten zonder expliciet ruimtelijke correlatie te modelleren.

Dichtstbijzijnde buurmanmethode

De dichtstbijzijnde buurmethode wijst gradenwaarden toe aan blokken van het dichtstbijzijnde monsterpunt naar het blok. Deze eenvoudige benadering geeft een gewicht van één tot het dichtstbijzijnde monster en nul tot alle andere monsters. De methode creëert scherpe grenzen tussen invloedsgebieden, wat resulteert in een blokkeerachtige verschijning wanneer gevisualiseerd. Hoewel computer-efficiënt en gemakkelijk te begrijpen, de dichtstbijzijnde buurman schatting niet gladdegrade overgangen en kan leiden tot onrealistische verdelingen van de kwaliteit, vooral wanneer de steekproefafstand is onregelmatig.

De dichtstbijzijnde buurmethode is het meest geschikt voor goed ingedeelde afzettingen met relatief uniforme indelingen of voor het maken van voorlopige schattingen tijdens vroege exploratiefasen. Het kan ook nuttig zijn om categorische variabelen zoals gesteentetype of geologische domein, waar interpolatie tussen verschillende categorieën niet zinvol is, te schatten.

Veelhoekige methode

De veelhoekige methode, ook wel bekend als het gebied van invloed methode, kent elk monsterpunt een gebied (of volume in drie dimensies) waarin de kwaliteit van dat monster wordt verondersteld toe te passen. Het is een reserve schatting techniek die trekt het gebied van invloed voor een boorgat. De grenzen tussen gebieden van invloed zijn meestal opgebouwd met behulp van loodrechte bisectoren tussen aangrenzende monsterpunten, het creëren van Voronoi polygonen of Thiessen polygonen.

Deze methode is eenvoudig toe te passen en visualiseren, waardoor het nuttig is om schattingen van bronnen te communiceren aan niet-technische doelgroepen. Echter, zoals de dichtstbijzijnde buurman, creëert het scherpe grenzen van rang die niet de geleidelijke overgangen die typisch zijn voor veel minerale afzettingen weerspiegelen. De methode biedt ook geen enkele maatstaf van schatting onzekerheid, die steeds meer vereist is door moderne rapportage standaarden.

Inverse afstandswegingsmethode

Inverse afstandsweging (IDW) betekent een significante verbetering ten opzichte van eenvoudige geometrische methoden door het opnemen van informatie uit meerdere monsters en het wegen ervan op basis van hun afstand tot het blok wordt geschat. Monsters dichter bij het punt van belang krijgen een hogere weging dan monsters verder weg. Monsters dichter bij het punt van schatting zijn meer kans op vergelijkbaar in rang.

De basis IDW formule berekent de geschatte kwaliteit als een gewogen gemiddelde van nabijgelegen sample gradaties, waar het gewicht dat aan elk monster is toegewezen omgekeerd evenredig is met de afstand van het blok centrum verhoogd tot een macht (typisch 2 of 3). De macht parameter bepaalt hoe snel de invloed van monsters afneemt met afstand. Een macht van 2 (inverse afstand kwadraat) is het meest gebruikelijk, het verstrekken van een redelijk evenwicht tussen lokale en globale trends. Hogere krachten geven meer gewicht aan nabijgelegen samples, waardoor schattingen dat meer nauw lokale variaties volgen maar minder stabiel kunnen zijn. Lagere bevoegdheden verdelen invloed gelijkmatiger, waardoor soepelere schattingen die belangrijke lokale variaties kunnen missen.

Dergelijke inverse afstand technieken introduceren problemen zoals monster zoeken en ontploffen beslissingen, en rekening houden met de schatting van blokken van een gedefinieerde grootte, naast puntschattingen. Zoekparameters moeten worden gedefinieerd om te specificeren welke monsters worden gebruikt in de schatting van elk blok. Dit betekent meestal het definiëren van een zoekellipsoïde met afmetingen die de verwachte continuïteit van de mineralisatie in verschillende richtingen weerspiegelen. De zoekstrategie kan ook het minimum en maximum aantal monsters, maximum monsters per boorgat, en octant of kwadrant zoekvereisten om ervoor te zorgen dat monsters worden verspreid rond het blok worden geschat.

IDW methoden zijn computerefficiënt, eenvoudig te implementeren en produceren redelijke schattingen voor vele deposit types. Ze zijn bijzonder geschikt wanneer de steekproefafstand is relatief uniform en de deposit toont geleidelijke graad overgangen. Echter, IDW model niet expliciet ruimtelijke correlatie structuur en biedt geen strenge mate van schatting onzekerheid, die de toepasbaarheid ervan beperkt voor gedetailleerde indeling van middelen en risico-evaluatie.

Geostatistische methoden en kriging

Geostatistische methoden gebruikt voor erts reserve schatting maken gebruik van driedimensionale ruimtelijke statistieken om de kwaliteit van de schatting te verbeteren. Geostatistiek vertegenwoordigt de meest geavanceerde en algemeen geaccepteerde benadering van de schatting van minerale hulpbronnen, het verstrekken van een rigoureus statistisch kader voor het modelleren van ruimtelijke variabiliteit en het kwantificeren van schatting onzekerheid.

De ontwikkeling van geostatistiek als een ertsreserve schatting methodologie ontstond in Frankrijk begin 1960 uit het werk van Matheron (1962) en was gebaseerd op originele studies van D.G. Krige functionerend de optimale toewijzing van gewichten aan de aangrenzende steekproef waarden gebruikt bij het schatten van de kwaliteit van blokken in Zuid-Afrikaanse goudmijnen. Het gebied is sindsdien geëvolueerd tot een uitgebreide discipline met toepassingen over mijnbouw, aardolie, milieu wetenschap, en vele andere gebieden die betrekking hebben op ruimtelijk gedistribueerde gegevens.

Fundamentele concepten van de geostatistiek

Geostatistiek kan worden gedefinieerd als de toepassing van de theorie van "geregionaliseerde variabele" op de evaluatie van een minerale afzetting, waarbij de ruimtelijke relatie tussen monsterwaarden, dikte of geologische verschijnselen die intrinsieke dispersie vertonen, wordt bestudeerd. Het belangrijkste inzicht van geostatistiek is dat monsters die dicht bij elkaar in de ruimte zijn meestal meer vergelijkbaar zijn dan monsters ver van elkaar, en deze ruimtelijke correlatie kan worden gekwantificeerd en gebruikt om de schatting te verbeteren.

Klassieke statistieken vereisen gebruik van een bepaald distributiemodel, bijvoorbeeld dat de gegevens normaal worden verspreid en dat de monsters onafhankelijk van elkaar zijn. In het algemeen hebben we onvoldoende monsters van het ertslichaam om een distributie toe te kennen, en bovendien zijn de monsters vaak gecorreleerd, d.w.z. ze voldoen niet aan de onafhankelijkheidsvereiste van klassieke statistieken. Geostatistiek behandelt deze beperkingen door expliciet ruimtelijke correlatie te modelleren en te werken met de beschikbare steekproefgegevens zonder aannames over globale distributies te vereisen.

Variografie en Ruimtelijke Continuïteitsanalyse

Deze ruimtelijke schatting wordt uitgevoerd met behulp van de steekproefgegevens en een model dat bekend staat als een variogram, dat wordt gebruikt om de correlatie tussen de monsters te representeren. Het variogram (of meer precies, het semi-variogram) is het fundamentele hulpmiddel voor het kwantificeren van ruimtelijke continuïteit in de geostatistiek.

De functie die de ruimtelijke variabiliteit tussen de monsterwaarden meet, wordt 'semi-variatie' genoemd. Semi-variogram wordt geconstrueerd door een steekproefwaarde te vergelijken met de overige op steeds toenemende afstand, genoemd vertragingsinterval. Het experimentele variogram wordt berekend door alle paren van monsters gescheiden door vergelijkbare afstanden te vergelijken en de helft van het gemiddelde kwadraatverschil tussen hun waarden te berekenen. Dit proces wordt herhaald voor meerdere afstandsintervallen (lags) om een variogramcurve te creëren die laat zien hoe ongelijkmatigheid toeneemt met scheidingsafstand.

Een typisch variogram vertoont verschillende kenmerken. Op zeer korte afstanden (bij geen scheiding), kan het variogram een dicontinuiteit, het nugget-effect, weergeven meetfout, micro-schaal variabiliteit, of steekproeffout. Naarmate de afstand toeneemt, neemt het variogram meestal toe, reflecteert de afnemende correlatie tussen de monsters. Uiteindelijk kan het variogram zich afleen op een plateau genaamd de dorpel, wat de variantie van de gehele dataset voorstelt. De afstand waarop de dorpel wordt bereikt wordt het bereik genoemd, wat de afstand weergeeft waarboven de monsters in wezen niet-correlerend zijn.

Op een experimenteel semi-variogram kunnen verschillende wiskundige modellen worden gemonteerd zoals het Sferisch/Matheron model, het Exponentiële model, het De Wijsian/Logarithmic model, het Lineaire model, het Paraboolmodel, het Hole-effect model, het Gemengd/Nested Spherical model enz. Het Sferisch/Matheron model wordt het meest gebruikt omdat meer dan 95% van de minerale afzettingen conform dit model is. Modelfitting omvat het selecteren van een geschikte theoretische variogramfunctie en het aanpassen van de parameters om het experimentele variogram aan te passen, terwijl het model wiskundig geldig is voor kriging.

Variografie moet vaak afzonderlijk worden uitgevoerd voor verschillende richtingen om anisotropie te detecteren en modelleren in diversiteitsverschillen in ruimtelijke continuïteit. Veel minerale afzettingen vertonen anisotropie als gevolg van geologische controles zoals beddengoed, foliatie, of structurele trends. Anisotropie wordt gemodelleerd door verschillende bereiken in verschillende richtingen, meestal met behulp van een ellipsoïde om de ruimtelijke continuïteitsstructuur te vertegenwoordigen.

Kriging: Optimale schattingstechniek

Deze schatting wordt vaak bereikt met behulp van een techniek die bekend staat als kriging. Kriging biedt een optimale interpolatie met behulp van het variogram; en de techniek is vergelijkbaar met eenvoudige interpolatie, zoals we zouden gebruiken in te zeggen de inverse afstand algoritme, maar is anders, omdat het ons in staat om rekening te houden met informatie die we weten over de geologie en bijbehorende eigenschappen.

De geostatistische procedure van het schatten van waarden van een geregionaliseerde variabele met behulp van de informatie verkregen uit een model semi-variogram is Kriging. Het is een optimale ruimtelijke interpolatie techniek. Het wordt BLUE genoemd als (i) het is BEST (vanwege minimale schatting variantie); (ii) LINEAR (vanwege gewogen rekenkundig gemiddelde); (iii) UNBIASED (sinds de gewichtssom tot eenheid) Estimator.

Net als IDW schat kriging blokgraden als gewogen gemiddelden van nabijgelegen samplegrades. Kriging bepaalt echter het optimale gewicht door een systeem van vergelijkingen op te lossen dat afgeleid is van het variogrammodel. Deze gewichten minimaliseren de schattingsvariatie terwijl de schatting niet wordt beïnvloed. Het krigingsysteem is automatisch verantwoordelijk voor de ruimtelijke configuratie van monsters, de afstand tot het blok wordt geschat, clustering van monsters en de onderliggende ruimtelijke continuïteitsstructuur.

Geostatistische methoden kunnen in drie categorieën worden ingedeeld, namelijk lineaire krigingbenaderingen, niet-lineaire kriging (probabilistic) methoden en simulatiemethoden. Lineaire kriging is een statistische methode die wordt gebruikt voor interpolatie/extropolatie van bekende monsters om waarden te voorspellen op onbekende locaties tijdens de schatting van minerale bronnen. De gebruikelijke soorten lineaire kriging methoden omvatten eenvoudige kriging (SK), gewone kriging (OK), universele kriging (UK), kriging met externe drift (KED) en factorial kriging.

Gewone kriging (OK) is de meest gebruikte variant in de schatting van minerale bronnen. Het veronderstelt een constante maar onbekende gemiddelde binnen de zoekbuurt en schat zowel de kwaliteit als het lokale gemiddelde tegelijkertijd. Dit maakt OK robuust en toepasbaar op de meeste stortingstypen zonder dat aannames over globale trends of stationarity vereist.

Eenvoudige kriging (SK) veronderstelt een bekend constant gemiddelde over de gehele storting. Hoewel minder flexibel dan OK, SK kan efficiënter zijn wanneer het gemiddelde is gevestigd en kan worden gebruikt in meer geavanceerde technieken zoals kriging met externe drift of co-kriging.

Universele kriging (UK) en kriging met externe drift (KED) maken trends mogelijk in de gemiddelde waarde over de afzetting. Deze methoden zijn nuttig wanneer er duidelijke ruimtelijke trends in de rang zijn die expliciet gemodelleerd moeten worden, zoals het verlagen van de graad met diepte of afstand van een mineralisatiebron.

Indicator kriging transformeert graadgegevens in binaire indicatoren (boven of onder een drempel) en schat de kans op het overschrijden van verschillende grade cutoffs. Meerdere indicator kriging (MIK) gebruikt verschillende drempels om de volledige voorwaardelijke verdeling van klassen binnen elk blok te schatten, en biedt rijke informatie voor het beoordelen van onzekerheid en het optimaliseren van cutoff grades.

Voordelen en beperkingen van Kriging

Geostatistische technieken bieden niet alleen schattingen voor een punt, maar maken het ook mogelijk om wegingscoëfficiënten te vinden voor een bepaalde mijnbouwblok en ook gegevensconfiguraties die de fout minimaliseren of de bijbehorende variantie verkrijgen. De kriging variantie biedt een maat van schatting onzekerheid die kan worden gebruikt voor de indeling van hulpbronnen, risicobeoordeling, en mijnplanning optimalisatie.

Kriging eert de steekproefgegevens, wat betekent dat op de plaats van het monster, de gekrigeerde schatting gelijk is aan de steekproefwaarde (in het geval van puntkriging). De methode is automatisch verantwoordelijk voor het clusteren van monsters, waardoor minder gewicht wordt gegeven aan groepen van nauw verdeelde monsters om te voorkomen dat over-representeren dicht bemonsterde gebieden. Kriging biedt ook gladde schattingen die over het algemeen realistischer zijn dan de blokkeerresultaten van de dichtstbijzijnde buur of veelhoekige methoden.

Kriging heeft echter beperkingen. Lineaire kriging drukt onzekerheid uit met behulp van een foutafwijking op basis van gegevensconfiguratie, waardoor een minder praktische beoordeling van onzekerheid wordt gegeven. De kriging-variantie is alleen afhankelijk van de ruimtelijke configuratie van de monsters en het variogrammodel, niet van de werkelijke samplewaarden. Dit betekent blokken met vergelijkbare sampleconfiguraties hebben vergelijkbare kriging-variaties, ongeacht of de samples consistent of zeer variabel zijn.

Kriging vertoont ook een gladmakend effect, waarbij de geschatte kwaliteiten minder variabiliteit hebben dan de werkelijke kwaliteiten. Dit komt omdat kriging de schattingsvariatie minimaliseert, wat geneigd is schattingen dichter bij het gemiddelde te produceren. Het gladmakende effect kan leiden tot een overschatting van laagwaardig materiaal en onderschatting van hoogwaardig materiaal, wat belangrijke implicaties heeft voor mijnplanning en gradatiecontrole.

Geostatistische methoden vereisen meer expertise en rekenmiddelen dan eenvoudigere technieken. Variogrammodellering omvat subjectieve beslissingen over modelselectie en parameterf passen, en slechte variogrammodellen kunnen leiden tot slechte schattingen. De complexiteit van geostatistiek kan het ook moeilijker maken om resultaten uit te leggen aan niet-technische stakeholders.

Geostatistische simulatie

Terwijl kriging biedt optimale schattingen in termen van het minimaliseren van schattingsvariatie, het niet reproduceert de volledige variabiliteit van de klassen binnen de deposito. Geostatistische simulatie pakt deze beperking door het genereren van meerdere even waarschijnlijke realisaties van de deposit die de steekproefgegevens te eren, reproduceren het variogram model, en behouden de statistische kenmerken van de rang verdeling.

Sequentiële Gaussiaanse simulatie is de meest voorkomende simulatietechniek. Het gaat door willekeurig elk blok in het model te bezoeken, de lokale voorwaardelijke verdeling van graden met behulp van kriging te schatten en vervolgens een willekeurige waarde uit die distributie te trekken. Deze gesimuleerde waarde wordt dan toegevoegd aan de dataset en gebruikt om volgende simulaties te conditioneren, waardoor de ruimtelijke continuïteit wordt gewaarborgd.

Meerdere simulaties (typisch 50-200) worden gegenereerd om het bereik van mogelijke rang verdelingen in overeenstemming met de beschikbare gegevens te vertegenwoordigen. Deze realisaties kunnen worden gebruikt om onzekerheid in de schatting van de bron te beoordelen, het risico van verschillende mijnbouw scenario's te evalueren, mijnplannen te optimaliseren onder onzekerheid, en de besluitvorming te ondersteunen wanneer ze worden geconfronteerd met significante geologische onzekerheid.

Simulatie is vooral waardevol voor afzettingen met hoge variabiliteit, complexe geologie, of waar begrip van onzekerheid van cruciaal belang is voor projectevaluatie. Echter, simulatie is computerintensief en vereist zorgvuldige validatie om te garanderen dat de realisaties zijn geologisch redelijk en goed vertegenwoordigen onzekerheid.

Benaderingen voor machineleren

Recente vooruitgang in computeralgoritmen hebben onderzoekers in staat gesteld om het potentieel van machine learning technieken in minerale bron schatting te onderzoeken. Machine learning methoden bieden het potentieel om complexe niet-lineaire relaties tussen kwaliteiten en verschillende geologische, geochemische en geofysische variabelen modelleren.

De literatuur toont aan dat de machine learning modellen kunnen verschillende geologische parameters en effectief benaderen complexe niet-lineaire relaties tussen hen, die superieure prestaties ten opzichte van de conventionele technieken. Gemeenschappelijke machine learning benaderingen toegepast op de schatting van de hulpbronnen omvatten willekeurige bos regressie, ondersteuning vector machines, neurale netwerken, en gradiënt stimuleren algoritmen zoals XGBoost.

Deze methoden kunnen verschillende datatypes omvatten, waaronder geologische domeinen, veranderingsindices, geofysische metingen en geochemische ratio's als voorspellervariabelen. Ze kunnen complexe ruimtelijke patronen vastleggen die moeilijk te modelleren zijn met traditionele geostatistische benaderingen. Machine learning modellen kunnen zich ook aanpassen aan lokale variaties in de relatie tussen voorspellers en graden.

Echter, machine learning benaderingen hebben beperkingen in de context van de schatting van de middelen. Ze vereisen meestal grote training datasets, die niet beschikbaar zijn tijdens vroege exploratie stadia. De modellen kunnen moeilijk te interpreteren zijn, waardoor het uitdagend om te begrijpen waarom bepaalde voorspellingen worden gemaakt. Ze kunnen niet precies rekening houden met steekproefgegevens en kunnen onrealistische schattingen produceren als niet goed beperkt. Kwantificeren onzekerheid met machine learning modellen is ook meer uitdagend dan met kriging.

Het machineleren wordt momenteel het best gezien als een aanvullend hulpmiddel in plaats van een vervanging voor conventionele geostatistische methoden. Het kan het meest waardevol zijn voor het opnemen van aanvullende informatie, het identificeren van complexe patronen, of het verstrekken van alternatieve schattingen voor vergelijking en validatie.

Praktische overwegingen in reserveschatting

Bij het schatten van reserves is het belangrijk om rekening te houden met de kwaliteit van de gegevens, de dichtheid van de bemonstering en de geologische variabiliteit. Het schatten van minerale hulpbronnen wordt geassocieerd met onzekerheid door bemonstering, geologische heterogeniteit, gebrek aan kennis en toepassing van wiskundige modellen op bemonsterde en niet-ingedeelde locaties. De onzekerheid veroorzaakt overschatting of onderschatting van de kwaliteit en/of kwantiteit van de minerale afzettingen, die de verwachte waarde van een mijnbouwproject beïnvloeden. Deze factoren beïnvloeden de nauwkeurigheid van de schatting en het betrouwbaarheidsniveau van de beoordeling van de hulpbronnen.

Gegevenskwaliteit en QA/QC

De kwaliteit van inputgegevens bepaalt fundamenteel de betrouwbaarheid van de schatting van de hulpbronnen. Uitgebreide QA/QC programma's zijn essentieel tijdens het hele exploratie- en bemonsteringsproces. Dit omvat de juiste monsterverzamelingsprotocollen, de keten van bewaringsprocedures, geschikte monstervoorbereidingsmethoden, gecertificeerde analytische technieken en systematische invoeging van kwaliteitscontrolemonsters.

Gecertificeerde referentiematerialen (standaarden) met bekende kwaliteiten moeten met regelmatige tussenpozen (typisch 5-10 procent van de monsters) worden ingevoegd om de analytische nauwkeurigheid te controleren. Blanco monsters helpen bij het detecteren van verontreiniging tijdens de monstervoorbereiding of analyse. Veldduplicaten beoordelen de bemonsteringsnauwkeurigheid en identificeren bronnen van variabiliteit. Laboratoriumduplicaten of pulpduplicaten evalueren de analytische replicatie.

Statistische analyse van QA/QC gegevens moet regelmatig worden uitgevoerd om problemen vroegtijdig te identificeren. Aanzienlijke vooringenomenheid, overmatige onnauwkeurigheid, of verontreiniging problemen moeten worden onderzocht en opgelost. In sommige gevallen, monsters kunnen nodig zijn om opnieuw te worden geanalyseerd of hele boorgaten moeten worden uitgesloten van de bron schatting als de gegevens kwaliteit onvoldoende is.

Monstercomposieten

De ruwe analysegegevens bestaan meestal uit monsters van verschillende lengtes verzameld over verschillende intervallen in elk boorgat. Voor schatting, deze monsters worden meestal samengesteld in gelijke-lengte intervallen om een meer uniforme dataset voor statistische analyse en variografie te bieden. Samengestelde lengte selectie omvat het balanceren van verschillende overwegingen.

De samengestelde lengte moet klein genoeg zijn om belangrijke kwaliteitsvariaties vast te leggen, maar groot genoeg om stabiele statistieken en een redelijke rekenefficiëntie te bieden. Het moet idealiter betrekking hebben op de mijnselectiviteit, zoals de hoogte van de bank voor open-pit mijnbouw. Composites die te kort zijn kunnen lawaai introduceren en variografie moeilijk maken, terwijl composieten die te lang zijn belangrijke graadvariaties kunnen verzachten en de schijnbare continuïteit verminderen.

Het is de meest voorkomende methode om de bodemgaten te composieren, waarbij monsters worden samengesteld langs het boorgatpad. Deze benadering is eenvoudig en behoudt de oorspronkelijke plaats van het monster. Bij het samenstellen van de bank worden monsters op horizontale banken geprojecteerd voordat ze worden samengesteld, wat geschikter kan zijn voor vlakke lagen of bij het plannen van open-pit mijnbouw op banken.

Behandeling van hooggravenmonsters

Extreme hoogwaardige monsters (uitschieters) kunnen een onevenredige invloed hebben op de schatting van de hulpbronnen, vooral wanneer gebruik wordt gemaakt van methoden zoals inverse afstandweging of kriging die gewogen gemiddelden berekenen. Een enkele zeer hooggradige steekproef kan de geschatte kwaliteit van de omliggende blokken aanzienlijk opblazen, wat mogelijk leidt tot overschatting van de hulpbronnen.

De bovengrens wordt meestal geselecteerd op basis van statistische analyse, zoals het onderzoeken van kansplaatsen, het berekenen van de variatiecoëfficiënt of het beoordelen van de impact van hoge kwaliteit op het gemiddelde. De bovengrens moet worden gemotiveerd en gedocumenteerd, aangezien het significante invloed kan hebben op de ramingen van de hulpbronnen.

Alternatieve benaderingen omvatten het gebruik van indicatorkriging of simulatiemethoden die minder gevoelig zijn voor extreme waarden, het beperken van de zoekradius om de invloed van hoogwaardige monsters te beperken, of het gebruik van kwaliteitsdomeining om hoogwaardige zones voor afzonderlijke schatting te scheiden. De gekozen aanpak moet geschikt zijn voor het deposittype en de verdeling van rang.

Dichtheidbepaling

Nauwkeurige dichtheid (specifieke zwaartekracht) metingen zijn essentieel voor het omzetten van volume-gebaseerde schattingen in tonnage schattingen. Dichtheid kan aanzienlijk variëren binnen een depot als gevolg van verschillen in lithologie, verandering, porositeit, en mineralisatie. Met behulp van een ongepaste of gemiddelde dichtheid waarde kan leiden tot significante fouten in tonnage schattingen.

Dichtheid moet worden gemeten op representatieve monsters gedurende de gehele afzetting, met voldoende metingen om variabiliteit te karakteriseren over verschillende geologische domeinen. Gemeenschappelijke meetmethoden omvatten waterdompeling (Archimedes methode) voor kernmonsters, gaspycnometrie voor fijngemaakte monsters, of geofysische houtkap van boorgaten.

Dichtheid kan worden geschat voor elk blok met behulp van vergelijkbare methoden als graad schatting, of het kan worden toegewezen op basis van geologische domein, gesteente type, of rang bereiken. De relatie tussen dichtheid en kwaliteit moet worden onderzocht, aangezien mineralisatie vaak invloed heeft op de dichtheid van gesteente. Voor sommige depot types, dichtheid kan worden gecorreleerd met de kwaliteit en moet dienovereenkomstig worden geschat.

Schattingsparameters en zoekstrategie

De zoekstrategie bepaalt welke monsters worden gebruikt om elk blok te schatten en hoe ze worden geselecteerd. Dit omvat het specificeren van zoek ellipsoïde afmetingen en oriëntatie, minimum en maximum aantal monsters, maximum monsters per boorgat, en octant of kwadrant zoekvereisten.

Zoek ellipsoïde dimensies moeten de ruimtelijke continuïteit van mineralisatie weerspiegelen, typisch gebaseerd op variogrambereiken. De ellipsoïde oriëntatie moet aansluiten op de belangrijkste richtingen van continuïteit, die kunnen overeenkomen met geologische structuren, beddengoed, of mineralisatie trends. Met behulp van een ongepast formaat of georiënteerde zoekellipsoïde kan leiden tot slechte schattingen.

Minimummonstervereisten zorgen ervoor dat blokken alleen worden geschat wanneer er voldoende gegevens beschikbaar zijn. Een gemeenschappelijk minimum is 4-8 monsters, hoewel dit afhangt van de depotcomplexiteit en schattingsmethode. Maximale monsterlimieten voorkomen te lange tijd en kunnen de invloed van verre monsters verminderen. Maximale monsters per boorgat voorkomen overgewicht van dicht gespleten gaten.

Octant of kwadrant zoekstrategieën vereisen dat monsters worden verdeeld rond het blok wordt geschat, zodat de schatting niet wordt gedomineerd door monsters uit één richting. Dit verbetert de schatting van kwaliteit en vermindert het risico van extrapolatie artefacten.

Er worden vaak meerdere zoekpassen gebruikt, met steeds grotere zoekellipsoïden en ontspannen monstereisen voor latere passages. Dit zorgt ervoor dat goed geïnformeerde schattingen worden gemaakt waar gegevens overvloedig zijn, terwijl er nog steeds schattingen worden gemaakt voor slechter bemonsterde gebieden, zij het met een lager vertrouwen.

Stappen in de reserveberekening

Het proces van de reserveberekening volgt een systematische workflow die zorgt voor consistentie, traceerbaarheid en naleving van rapportagenormen. Hoewel specifieke details variëren afhankelijk van het depottype en de schattingsmethode, blijven de algemene stappen consistent voor de meeste projecten.

Stap 1: Gegevensverzameling door boren en bemonstering

Het proces begint met systematische gegevensverzameling via boorprogramma's die zijn ontworpen om de gemineraliseerde zone adequaat te kunnen nemen. De afstand tussen boorgaten moet geschikt zijn voor de depotgeometrie en variabiliteit van de graad, met een grotere afstand in gebieden van hogere kwaliteit of geologische complexiteit. Meerdere boorfasen kunnen nodig zijn, te beginnen met een breed opgezette verkenningsboring en het verder ontwikkelen van een dichterbij gelegen infill boring naarmate het project vordert.

Monsters worden verzameld volgens vastgestelde protocollen, met passende QA/QC maatregelen uitgevoerd gedurende. Kernherstel en rotskwaliteit aanduiding (RDD) moet worden geregistreerd voor diamantboren. Geologische houtkap vangt lithologie, verandering, mineralisatie, structuur, en andere relevante kenmerken. Monsters worden voorgelegd aan erkende laboratoria voor analyse met behulp van geschikte analysemethoden.

Dichtheidsmetingen worden verzameld op representatieve monsters over verschillende geologische domeinen en grade ranges. Geotechnische en metallurgie monsters kunnen ook worden verzameld ter ondersteuning van haalbaarheidsstudies en mijnplanning.

Stap 2: Gegevensanalyse en geologische modellering

Zodra gegevens worden verzameld en gevalideerd, wordt uitgebreide statistische analyse uitgevoerd om klasse distributies te begrijpen, uitschieters te identificeren, de kwaliteit van de gegevens te beoordelen en variabiliteit te karakteriseren. Explorerende data analyse omvat histograms, kansspelen, scatter plots, en basisstatistieken voor elk geologisch domein.

Geologische interpretatie synthesizers alle beschikbare informatie om een driedimensionaal begrip van de afzetting te ontwikkelen. Doorsnedes en niveau plannen worden gemaakt om geologische contacten, mineralisatie grenzen, en structurele kenmerken te interpreteren. Wireframe modellen zijn geconstrueerd om deze interpretaties digitaal vertegenwoordigen.

De domeinen worden bepaald op basis van geologische, mineralologische of graadkenmerken. Domeingrenzen moeten een afspiegeling zijn van echte geologische controles op mineralisatie in plaats van willekeurige verdelingen. Elk domein wordt doorgaans afzonderlijk geschat met zijn eigen statistische parameters en variogrammodellen.

Stap 3: Toepassing van schattingsmethoden

Bij de vaststelling van het geologische kader wordt de schattingsmethode geselecteerd en toegepast. Voor geostatistische schatting zijn er verschillende substappen. Compositing transformeert variabele-lengte monsters in gelijke lengte composieten die geschikt zijn voor de depot en geplande mijnbouwmethode. Statistische analyse van composieten kenmerkt de verdeling van de kwaliteit binnen elk domein en identificeert alle hoogwaardige monsters die een speciale behandeling vereisen.

Variografie kwantificeert de ruimtelijke continuïteit door experimentele variograms in meerdere richtingen te berekenen en passende theoretische modellen te passen. Variogramparameters (nugget, dorpel, bereik) worden bepaald voor elk domein en richting, waarbij anisotropie wordt vastgelegd waar aanwezig.

Het blokmodel is gemaakt met passende blokafmetingen en omvang om het gemineraliseerde volume te bedekken. Blokken worden gecodeerd met geologische domeintoewijzingen op basis van de wireframe modellen. Schatting parameters zijn gedefinieerd, waaronder zoekstrategie, steekproefselectie criteria, en kriging parameters.

Voor elk domein wordt een schatting van de graad uitgevoerd met behulp van de gekozen methode (IDW, gewone kriging, enz.). Elk blok wordt geschat op kwaliteiten, krigingvariantie (indien van toepassing), aantal gebruikte monsters, afstand tot het dichtstbijzijnde monster en andere relevante eigenschappen. De dichtheid wordt geschat of toegewezen aan elk blok om tonnageberekeningen mogelijk te maken.

Stap 4: Validatie en kwaliteitscontrole

Visuele inspectie in sectie en plan het vergelijken van de blok model rang distributie met de oorspronkelijke boorgat en andere steekproefkwaliteiten. Creatie van swadploegen vergelijken de blok rang verdeling met de steekproef rang verdeling langs coördinaten en hoogte. Vergelijking van primaire geschatte blok klassen gebaseerd op de resultaten van het gebruik van alternatieve schattingsmethoden. Globale samenvatting statistieken vergelijken de samengestelde klassen met de blok klassen.

Validatie is een kritische stap die ervoor zorgt dat het blokmodel redelijk de beschikbare gegevens en geologische inzichten vertegenwoordigt. Visuele validatie houdt in dat het blokmodel naast boorgatgegevens in doorsneden wordt weergegeven en dat de geschatte kwaliteiten worden afgestemd op de monsterkwaliteiten en geologische grenzen worden gerespecteerd.

Swah-ploegen vergelijken gemiddelde blokklassen met gemiddelde samengestelde klassen langs coördinatenrichtingen (oosten, noordwaarts, hoogte). Goede overeenkomst geeft aan dat het blokmodel globale trends reproduceert, terwijl systematische verschillen kunnen wijzen op vooroordelen of ongepaste schattingsparameters.

Vergelijking met alternatieve schattingsmethoden biedt extra vertrouwen. Als omgekeerde afstand weging, gewone kriging, en de dichtstbijzijnde buur vergelijkbare resultaten produceren, dit suggereert de schatting is robuust. Grote verschillen kunnen wijzen op gevoeligheid voor schatting methode en rechtvaardigen verder onderzoek.

De gemiddelde blokkwaliteit moet ongeveer de gemiddelde samengestelde kwaliteit (onbevooroordeelde schatting) benaderen. De variatie van blokkwaliteiten zal lager zijn dan de samengestelde variantie als gevolg van het gladmakende effect, maar de reductie moet redelijk zijn en in overeenstemming met de verwachtingen.

Voor de exploitatie van mijnen levert het combineren van productiegegevens de uiteindelijke validatie op. De vergelijking van de geschatte kwaliteiten en tonnages met de werkelijke materiaal- en voederkwaliteiten van de mijnen toont aan of het hulpbronnenmodel juist is en identificeert alle systematische vooroordelen die in toekomstige ramingen moeten worden gecorrigeerd.

Stap 5: Rapportage en classificatie van reserves

De methode die wijdverspreid wordt gebruikt om onzekerheid in de mijnbouwsector te melden is via de classificatie van minerale hulpbronnen. De geschatte minerale hulpbronnen worden ingedeeld in gemeten, aangegeven en afgeleide categorieën en onzekerheid wordt gerapporteerd op basis van het niveau van vertrouwen.

De indeling van hulpbronnen geschiedt met behulp van een driedimensionaal blokmodel, waarbij elk blok een categorie krijgt toegewezen die gebaseerd is op criteria die het betrouwbaarheidsniveau in de schatting van de kwaliteit, tonnage en afgeleide dichtheid weerspiegelen. Indelingscriteria omvatten doorgaans boorgatafstand, aantal monsters dat wordt gebruikt voor de schatting, kriging-variantie of schattingsonzekerheid, geologische complexiteit en gegevenskwaliteit.

De geometrische methoden voor de indeling van minerale hulpbronnen zijn afhankelijk van de nabijheid, hoeveelheid en ruimtelijke verdeling van de gegevens (composieten of boorgaten zelf) die gebruikt worden bij de schatting van blokmodellen. De meest fundamentele benadering houdt alleen rekening met de afstand tot het dichtstbijzijnde boorgat (of composiet) of de gemiddelde afstand tussen boorgaten. Deze methode wordt vooral toegepast wanneer het boorrooster regelmatig is.

De classificatie is echter niet louter mechanisch. De verantwoordelijkheid voor het waarborgen van een passende openbaarmaking ligt bij de technische bekwaamheid van de persoon of personen die de berekening en classificatie van de hulpbronnen goedkeuren, gedefinieerd als de bevoegde persoon (CP) of gekwalificeerde persoon (QP). Als gevolg daarvan is de classificatie van minerale hulpbronnen subjectief en is grotendeels afhankelijk van de ervaring van de gekwalificeerde of bevoegde persoon. Een gemeenschappelijke misvatting is dat de indeling van hulpbronnen een objectieve beoordeling van het vertrouwen biedt; inderdaad, de classificatie is een manifestatie van het advies van de CP/QP.

De bevoegde of gekwalificeerde persoon moet rekening houden met alle factoren die van invloed zijn op het vertrouwen, met inbegrip van geologische kennis, gegevenskwaliteit en kwantiteit, de geschiktheid van de schattingsmethode en alle andere bronnen van onzekerheid.

De rapportage van hulpbronnen moet voldoen aan relevante codes zoals JORC, NI 43-101, of SAMREC. De verslagen moeten uitgebreide documentatie bevatten van gegevensverzamelingsmethoden, QA/QC-procedures, geologische interpretatie, schattingsmethode, validatieresultaten, classificatiecriteria, en alle materiële risico's of onzekerheden. Transparantie en openbaarmaking zijn fundamentele beginselen, die ervoor zorgen dat beleggers en belanghebbenden voldoende informatie hebben om de schatting van hulpbronnen en de beperkingen ervan te begrijpen.

Software en technologie in reserveschatting

Moderne reserve schatting is sterk afhankelijk van gespecialiseerde software die database management, geologische modellering, geostatistische analyse, en visualisatie mogelijkheden integreert. Geologen zijn ervaren in het uitvoeren van een breed scala van statistische en geostatistische studies met behulp van geavanceerde commerciële software zoals Gemcom, Datamine, Vulcan, Surpac, en Isatis. Deze platforms zijn uitgegroeid tot industriestandaarden, elk met uitgebreide tools voor de gehele resource schatting workflow.

Toonaangevende softwarepakketten zijn Maptek Vulcan, Dassault Systèmes Geovia Surpac, Hexagon Mining MineSight, Seequent Leapfrog Geo, Datamine Studio en Geovicces Isatis. Elk platform heeft sterke punten in verschillende gebieden, en veel organisaties gebruiken meerdere pakketten afhankelijk van de projecteisen en gebruikersvoorkeuren.

Deze softwaresystemen maken een efficiënt beheer van grote exploratiedatabases mogelijk met duizenden boorgaten en miljoenen testrecords. Ze bieden hulpmiddelen voor datavalidatie, statistische analyse en kwaliteitscontrole. Driedimensionale visualisatie stelt geologen in staat om te interageren met data en interpretaties in een intuïtieve ruimtelijke omgeving.

Geologische modelleertools ondersteunen zowel expliciete modellering (waar de gebruiker direct oppervlakken en vaste stoffen maakt) als impliciete modellering (waar oppervlakken automatisch worden gegenereerd uit gegevens met behulp van algoritmen). Variografiemodules berekenen experimentele variogrammen en passen theoretische modellen. Schattingsmotoren implementeren verschillende methoden, waaronder inverse afstandweging, gewone kriging, indicatorkriging en simulatie.

Moderne software integreert ook met mijnplanningssystemen, waardoor resourcemodellen direct kunnen stromen in mijnontwerp, planning en economische evaluatie. Deze integratie verbetert de efficiëntie en zorgt voor consistentie tussen de schatting van de hulpbronnen en de mijnplanning.

Cloud-gebaseerde platforms en samenwerkingstools worden steeds belangrijker, waardoor teams verdeeld over meerdere locaties tegelijkertijd aan dezelfde modellen kunnen werken. Versiecontrole en audit trails zorgen ervoor dat veranderingen worden gevolgd en gedocumenteerd, en ondersteunen naleving van de regelgeving en kwaliteitsborging.

Gemeenschappelijke uitdagingen en valkuilen

Ondanks vooruitgang in methodologie en technologie blijft reserveschatting uitdagend en vatbaar voor fouten. Begrip van gemeenschappelijke valkuilen helpt beoefenaars fouten te vermijden en betrouwbare schattingen te produceren.

Onvoldoende of slechte kwaliteit

De meest fundamentele beperking is ontoereikende gegevens. Brede boorgatafstand, slechte monsterherstel, onvoldoende QA/QC, of bevooroordeelde bemonstering kan alle de schatting kwaliteit in gevaar brengen. Geen hoeveelheid geavanceerde analyse kan compenseren voor fundamenteel ontoereikende of slechte kwaliteit gegevens. Vroege projecten moeten deze beperkingen erkennen en de middelen conservatief classificeren.

Ongepaste domeindefinitie

Slecht gedefinieerde schattingsdomeinen kunnen leiden tot significante fouten. Het combineren van geologische onderscheiden zones met verschillende kwaliteitskenmerken in één domein kan misleidende schattingen opleveren. Omgekeerd kan over-domeinen door het creëren van te veel kleine domeinen leiden tot onvoldoende gegevens in elk domein en instabiele schattingen. Domeingrenzen moeten echte geologische controles weerspiegelen en ondersteund worden door adequate gegevens.

Slechte Variogram Modellering

Variogram modelleren vereist beoordeling en ervaring. Veel voorkomende fouten omvatten passende modellen die niet overeenkomen met het experimentele variogram, met behulp van ongeschikte modeltypes, niet in aanmerking te nemen voor anisotropie, of het gebruik van variogram parameters van het ene domein in het andere. Slechte variogram modellen leiden tot suboptimale kriging gewichten en kunnen vooringenomenheid of buitensporige gladmaking introduceren.

Ongepaste zoekparameters

Zoek ellipsoïden die te groot zijn kunnen ver verwijderde, irrelevante monsters en glad uit belangrijke graad variaties. Zoek ellipsoïden die te klein zijn kan resulteren in veel niet-geschatte blokken of schattingen op basis van onvoldoende monsters. Als u monsters per boorgat beperkt, kunnen overgewicht nauw verdeeld gaten. Deze parameter keuzes aanzienlijk invloed op de schatting kwaliteit en moet zorgvuldig worden getest en gevalideerd.

Het verzachtende effect negeren

De ramingen van de prijzen en andere schattingsmethoden zijn niet zo sterk als die van de werkelijke kwaliteiten, hetgeen kan leiden tot een overschatting van de tonnage boven de hoge afkapgraden en tot een onderschatting van de tonnage onder de lage afkapgraden. De planning van de mijnen op basis van gladde ramingen kan te optimistisch zijn. Het begrijpen en in rekening brengen van het gladmakende effect door simulatie of andere technieken is belangrijk voor een realistische planning.

Ontoereikende validatie

Er is geen enkele methode om de gegevens van het boorgatmonster te vergelijken met de geschatte blokkwaliteiten die eenvoudigweg een blokmodel en de schatting van de minerale hulpbronnen kunnen valideren. Zelfs de afstemming met de gedolven en gemalen ton mag niet definitief de geschatte blokkwaliteiten bevestigen als gevolg van problemen met mijnbouw als gevolg van verdunning, mijnverliezen erts/afval dat naar de verkeerde voorraadstapel en de verliezen van de molen gaat. Een aantal controles moet worden uitgevoerd met volledige aandacht voor de geologie en trends in de mineralisatie. Het belangrijkste is dat het de verantwoordelijkheid van de bevoegde of gekwalificeerde persoon is om niet alleen een standaardcontroleprocedure uit te voeren, maar om het outputmodel te interpreteren op basis van ervaring en na te gaan of het overeenkomt met de beschikbare gegevens, waaronder de geologische interpretatie van de de depot die wordt geschat.

Validatie moet omvattend en kritisch zijn, niet alleen een box-checking oefening. Modellen die basisvalidatiecontroles doorstaan kunnen nog steeds belangrijke fouten bevatten als validatie niet grondig is of als problemen worden over het hoofd gezien.

Te hoge classificatie

Er kan druk worden uitgeoefend om middelen in categorieën van hoger vertrouwen te classificeren om projecten verder of waardevoller te laten lijken. Overclassificatie die niet wordt ondersteund door gegevenskwaliteit en kwantiteit is echter niet passend en potentieel misleidend.

Beste praktijken en aanbevelingen

Voor het opstellen van betrouwbare reserveramingen is het noodzakelijk dat de beste praktijken in het hele proces worden nageleefd. Deze aanbevelingen weerspiegelen de ervaring en de lessen die zijn getrokken uit succesvolle en mislukte projecten.

Investeren in kwaliteitsgegevens

De kwaliteit van de gegevens is van het grootste belang. Implementeer uitgebreide QA/QC programma's vanaf het begin. Gebruik geaccrediteerde laboratoria met geschikte analysemethoden. Verzamel voldoende dichtheidsmetingen. Zorg voor een goede monsterherstel en verwerking. De kosten van kwaliteitsgegevens zijn klein in vergelijking met de waarde van betrouwbare resourceschattingen en de potentiële kosten van fouten.

Begrijp de Geologie

Een resource block model zal alleen maar zo goed zijn als de geologische fundamenten waarop het is gebouwd. En aangezien het resource block model de basis is waarop de mijnplannen van de industrie zijn gebouwd, zullen onze plannen alleen maar zo goed zijn als het geologische blok model dat ons is gegeven om te gebruiken. Investeer tijd in geologische interpretatie en domeindefinitie. Raadpleeg ervaren geologen die bekend zijn met het depot type. Geologisch begrip moet leiden tot alle schatting beslissingen.

Passende methoden gebruiken

Selecteer schattingsmethoden die geschikt zijn voor het deposittype, de beschikbaarheid van gegevens en het projectstadium. Eenvoudige methoden kunnen geschikt zijn voor projecten in een vroeg stadium of eenvoudige stortingen. Complexe stortingen met overvloedige gegevens zijn een geavanceerde geostatistische aanpak. Gebruik geen complexe methoden alleen omdat ze beschikbaar zijn, maar gebruik geen al te eenvoudige methoden wanneer betere benaderingen gerechtvaardigd zijn.

Alles documenteren

Behoud uitgebreide documentatie van alle gegevens, interpretaties, aannames, parameters en beslissingen. Dit ondersteunt naleving van de regelgeving, maakt peer review, vergemakkelijkt updates wanneer nieuwe gegevens beschikbaar komen, en biedt transparantie voor belanghebbenden. Goede documentatie is essentieel voor het verdedigen van schattingen tijdens due diligence of audits.

Valideren Thoroughly

Voer meerdere validatiecontroles uit vanuit verschillende perspectieven. Zoek niet alleen naar de bevestiging dat het model correct is; zoek actief naar problemen. Vergelijk alternatieve schattingsmethoden. Laat onafhankelijke beoordelaars het model onderzoeken. Voor het bedienen van mijnen, regelmatig combineren met productiegegevens en updatemodellen op basis van verzoeningsresultaten.

Onzekerheid kwantificeren

De schattingen van de hulpbronnen zijn onzeker, en deze onzekerheid moet worden gekwantificeerd en gecommuniceerd. Gebruik kriging variantie, simulatie, of andere technieken om onzekerheid te beoordelen. Begrijp hoe onzekerheid van invloed is op mijnplanning en economie. Maak beslissingen die robuust zijn voor onzekerheid in plaats van dat schattingen exact zijn.

Regelmatig bijwerken

De modellen van de hulpbronnen moeten worden bijgewerkt naarmate nieuwe gegevens beschikbaar komen, het geologische begrip verbetert of de mijnbouw vordert. Regelmatige updates zorgen ervoor dat de mijnplanning is gebaseerd op actuele informatie en zorgen voor een continue verbetering van schattingsmethoden en parameters.

Zoek Peer Review

Onafhankelijke peer review door ervaren beoefenaars biedt waardevolle kwaliteitsborging. Reviewers kunnen problemen identificeren die kunnen worden over het hoofd gezien door degenen die nauw betrokken zijn bij het project. Peer review is bijzonder belangrijk voor belangrijke projecten of wanneer ramingen zullen worden gebruikt voor grote investeringsbeslissingen.

Reserveschatting blijft evolueren met vooruitgang in technologie, methodologie en beschikbaarheid van gegevens. Verschillende trends vormen de toekomst van het veld.

Integratie van meervoudige gegevenstypes

Moderne exploratie genereert verschillende datatypes, waaronder geochemie, geofysica, hyperspectrale beeldvorming en teledetectie. Het integreren van deze gegevensbronnen met traditionele boorgegevens kan de geologische kennis en schattingsnauwkeurigheid verbeteren. Multivariate geostatistiek en machine learning bieden tools voor het tegelijkertijd inzetten van meerdere datatypes.

Real-time resource modeling

Vooruitgang in automatisering en datamanagement maken het mogelijk om vaker modelupdates te maken. Real-time of bijna-real-time resource modelleren maakt het mijnplanning mogelijk snel te reageren op nieuwe informatie van grade control boring, blasthole sampling of productie monitoring. Dit ondersteunt adaptieve mijnbouwstrategieën die waardeextractie optimaliseren.

Verbeterde onzekerheid kwantificatie

Er wordt steeds meer erkenning gegeven van het belang van kwantificeren en communiceren van onzekerheid. Simulatiemethoden worden steeds vaker gebruikt. Probabilistische benaderingen die bereiken bereiken van mogelijke resultaten in plaats van een enkele-punt schattingen worden geaccepteerd. Dit ondersteunt beter risicobeheer en besluitvorming onder onzekerheid.

Artificiële intelligentie en machine learning

AI en machine learning worden toegepast op verschillende aspecten van de schatting van hulpbronnen, van geautomatiseerde geologische interpretatie tot graadvoorspelling en anomalie detectie. Hoewel deze technologieën veelbelovend zijn, moeten ze zorgvuldig worden toegepast met passende validatie en geologische toezicht. De toekomst waarschijnlijk omvat hybride benaderingen die traditionele geostatistiek combineren met machine learning mogelijkheden.

Verbeterde visualisatie en communicatie

Virtual reality en augmented reality technologieën bieden nieuwe manieren om te visualiseren en interactie met driedimensionale geologische modellen en bronnen schattingen. Deze tools kunnen de geologische interpretatie verbeteren, samenwerking tussen gedistribueerde teams vergemakkelijken en de communicatie verbeteren met stakeholders die niet bekend zijn met traditionele mijnbouwsoftware.

Conclusie

Reserveschatting is een complex, multidisciplinair proces dat geologie, statistieken, wiskunde en techniek combineert om minerale bronnen te kwantificeren. Nauwkeurige schattingen zijn essentieel voor investeringsbeslissingen, mijnplanning en het economische succes van mijnbouwprojecten. Het veld is aanzienlijk geëvolueerd van eenvoudige geometrische methoden tot geavanceerde geostatistische technieken die rekening houden met ruimtelijke variabiliteit en kwantificeren onzekerheid.

Succes in reserveschatting vereist kwaliteitsgegevens, gedegen geologische kennis, passende methodologie, grondige validatie en transparante rapportage. Praktijkbeoefenaren moeten de sterke punten en beperkingen van verschillende schattingsmethoden begrijpen en methoden selecteren die geschikt zijn voor de specifieke omstandigheden van elk project. Ze moeten ook erkennen dat alle schattingen onzeker zijn en deze onzekerheid op passende wijze communiceren.

Naarmate de technologie vordert en nieuwe methoden ontstaan, blijven de fundamentele beginselen constant: de reserveschatting moet worden gebaseerd op solide geologische inzichten, ondersteund door kwaliteitsgegevens, uitgevoerd met passende technische rigor, en gerapporteerd met transparantie en eerlijkheid. Door beste praktijken en het leren van ervaringen, blijft de mijnbouwindustrie de betrouwbaarheid van de schatting van hulpbronnen en de waarde die zij voor de besluitvorming bieden verbeteren.

Voor degenen die hun begrip van de reserveschatting willen verdiepen, zijn er tal van middelen beschikbaar. Professionele organisaties zoals het Australasisch Instituut voor Mijnbouw en Metallurgie (AusIMM) en de Society for Mining, Metallurgy & Exploration (SME) bieden cursussen, conferenties en publicaties. Universiteitsprogramma's in mijnbouwtechniek en geologie bieden formeel onderwijs in geostatistiek en resource estimation. Industrierichtlijnen en rapportagecodes zoals de JORC Code[ en CIM Standards[] leveren gezaghebbende kaders voor de praktijk. Textbooks door auteurs zoals Isaaks en Srivatava, Rossi en Deutsch bieden uitgebreide technische behandelingen van geostatistische methoden aan.

Het gebied van de reserveschatting blijft evolueren, waarbij zowel uitdagingen als kansen voor de praktijk worden gepresenteerd. Door traditionele geologische expertise te combineren met moderne analytische methoden en een engagement voor kwaliteit en transparantie te behouden, kan de industrie betrouwbare hulpbronnenschattingen blijven produceren die verantwoorde ontwikkeling van mineralen ondersteunen en bijdragen aan wereldwijde economische welvaart.