کاهش عدم قطعیت مدل زمین شناسی با پساپردازش زمین آماری در کانسار مس میدوک

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی معدن، دانشگاه کاشان، کاشان

2 دانشیار، گروه مهندسی معدن، دانشگاه کاشان، کاشان

3 کارشناسی ارشد، مجتمع مس شهربابک، کرمان

چکیده

امروزه مدلسازی زمین‌آماری برای تجزیه و تحلیل ساختارهای زیرزمینی به صورت وسیعی مورد استفاده قرار می‌گیرد. استفاده از تکنیک‌های کاهش عدم ‌قطعیت توام با مدلسازی، دقت شناسایی ساختارهای زیرزمینی را افزایش می‌دهد. در این پژوهش از روش زمین‌‌‌آماری کریجینگ ‌شاخص برای مدلسازی توزیع فضایی 4 واحد زمین‌شناسی شناسایی شده (زون فروشست، زون اکسید، زون سوپرژن و هیپوژن) در کانسار مس پورفیری میدوک استفاده شده است. در این مطالعه از معیار واریانس برنولی برای ارزیابی عدم ‌قطعیت با استفاده از مدل زمین‌شناسی حاصل استفاده شد و برای کاهش میزان عدم ‌قطعیت توام با مدل حاصل، عملیات پساپردازش با استفاده از بازنمونه‌گیری از مدل تخمین خورده انجام شد و این عملیات تا دستیابی به یک مدل زمین‌شناسی دارای سطح قابل قبولی از عدم قطعیت ادامه یافت. در نهایت برای اعتبارسنجی نتایج، از چال‌های آتشباری در یکی از پله‌های استخراجی استفاده شد. نتایج به دست آمده نشان داد که در نتیجه اعمال عملیات پساپردازش میزان عدم‌ قطعیت از 98/5 درصد به 87/2 درصد کاهش یافته است.

کلیدواژه‌ها

عنوان مقاله [English]

Reducing the Geological Model Uncertainty in Miduk Copper Deposit by Post-processing

نویسندگان [English]

  • Z. Aghaee 1
  • S. Soltani-Mohammadi 2
  • M. Dehghani 3
1 Ph.D Student, Dept. of Mining Engineering, University of Kashan, Kashan, Iran
2 Associate Professor, Dept. of Mining Engineering, University of Kashan, Kashan, Iran
3 M.Sc, Copper Complex Shahrebaback, Kerman, Iran
چکیده [English]

Geostatistical modeling, in recent years, has been widely and increasingly used in analyzing underground structures. Using the combination of uncertainty reduction techniques and modeling processes could increase the identification accuracy of underground structure models. In this study, Indicator Kriging (IK) method is employed to model four geological units comprising leached, oxidized, supergene and hypogene zones. The aforementioned units are all located within Miduk Copper Deposit. To evaluate the uncertainty index based on the modelled geological structure, Bernoulli variance is employed. In order to reduce the uncertainty amount of the executed geological model, post-processing procedure is performed using resampling of the interpolated model. This procedure is reiterated as many times as possible until a geological model with an acceptable uncertainty amount is acquired. At the final step, blast holes data is used in order for the validation of the results. The yielded results indicate that the amount of uncertainty dropped from 5.87% to 2.98% after implementing the post-processing procedure.

کلیدواژه‌ها [English]

  • Indicator Kriging
  • Uncertainty
  • Post-processing
  • Miduk Copper Deposit

مراجع

[1] Houlding, S. (1994). “3D geoscience modeling: computer techniques for geological characterization”. Springer-Verlag, pp. 309.
[2] Mallet, J. L. (2002). “Geomodeling”. Oxford University Press, pp. 600.
[3] Wu, Q., Xu, H., and Zou, X. (2005). “An effective method for 3D geological modeling with multi-source data integration”. Computers & Geosciences, 31(1): 35-43.
[4] Emery, X. (2007). “Simulation of geological domains using the plurigaussian model: New developments and computer programs”. Computers & Geosciences, 33(9): 1189-1201.
[5] Kaufmann, O., and Martin, T. (2008).“3D geological modelling from boreholes, cross-sections and geological maps, application over former natural gas storages in coal mines”. Computers & Geosciences, 34(3): 278-290.
[6] Gallerini, G., and De Donatis, M. (2009). “3D modeling using geognostic data: The case of the low valley of Foglia river (Italy)”. Computers & Geosciences, 35(1): 146-164.
[7] Calcagno, P., Chilès, J. P., Courrioux, G., and Guillen, A. (2008).“Geological modelling from field data and geological knowledge: Part I. Modelling method coupling 3D potential-field interpolation and geological rules”. Physics of the Earth and Planetary Interiors, 171(1): 147-157.
[8] Zhong, D. H., Li, M., Song, L., and Wang, G. (2006).“Enhanced NURBS modeling and visualization for large 3D geoengineering applications: An example from the Jinping first-level hydropower engineering project, China”. Computers & Geosciences, 32(9): 1270-1282.
[9] Longoni, M., Malossi, A., Quarteroni, A., Villa, A., and Ruffo, P. (2011).“An ALE-based numerical technique for modeling sedimentary basin evolution featuring layer deformations and faults”. Journal of Computational Physics, 230(8): 3230-3248.
[10] Perrin, M., Zhu, B., Rainaud, J., and Schneider, S. (2005). “Knowledge-driven applications for geological modeling”. Journal of Petroleum Science and Engineering, 47(1): 89-104.
[11] Wellmann, J. F., Horowitz, F. G., and Regenauer-Lieb, K. (2011). “Towards a quantification of uncertainties in 3-D geological models”. In IAMG 2011 Conference “Mathematical Geosciences at the Crossroads of Theory and Practice”, Salzburg, Austria, 745-758.
[12] Wellmann, J. F., Horowitz, F. G., Schill, E., and Regenauer-Lieb, K. (2010). “Towards incorporating uncertainty of structural data in 3D geological inversion”. Tectonophysics, 490(3-4): 141-151.
[13] Hou, W., Cui, C., Yang, L., Yang, Q., and Clarke, K. (2019). “Entropy-based weighting in one-dimensional multiple errors analysis of geological contacts to model geological structure”. Mathematical Geosciences, 51(1): 29-51.
[14] Wellmann, J. F., and Regenauer-Lieb, K. (2012). “Uncertainties have a meaning: Information entropy as a quality measure for 3-D geological models”. Tectonophysics, 526: 207-216.
[15] Silva, D., and Deutsch, C. (2012). “Distance function based on multiple modeling rocks: methodology and software”. Paper 307, CCG Annual Report 14, Edmonton, Canada, pp. 8.
[16] Yamamoto, J. K., Mao, X. M., Koike, K., Crosta, A. P., Landim, P. M. B., Hu, H. Z., Wang, C. Y., and Yao, L. Q. (2012).“Mapping an uncertainty zone between interpolated types of a categorical variable”. Computers & Geosciences, 40: 146-152.
[17] Yamamoto, J. K., Koike, K., Kikuda, A. T., Campanha, G. A. C., and Correia, A. E. (2014). “Post-processing for uncertainty reduction in computed 3D geological models”. Tectonophysics, 633: 232-245.
[18] Soltani, S., and Safa, M. (2015). “Optimally locating additional drill holes to increase the accuracy of ore/waste classification”. Mining Technology, 124(4): 213-221.
[19] Yamamoto, J. K., et al., (2015). “Post-processing of sequential indicator simulation realizations for modeling geologic bodies”. Computational Geosciences, 19(1): 257-266.
[20] میراسمعیلی، ن.، محمدتراب، ف،؛ 1396؛ "مقایسه روش کریجینگ شاخص رسته ای با روش های سنتی در مدل سازی و تفکیک زون های کانی سازی و دگرسانی در معدن مس میدوک". نشریه علمی مهندسی معدن، دوره دوازدهم، شماره 35، ص 127-139.
[21] Soares, A. (2006). “Geoestatística para as Ciências da Terra e do Ambiente (Geostatistics for Earth Sciences and Environment)”. Colecção Ensino da Ciência e da Tecnologia, Lisboa, IST Press, 2ª ed, pp. 214.
[22] Deutsch, C. V. (2006). “A sequential indicator simulation program for categorical variables with point and block data: BlockSIS”. Computers & Geosciences, 32(10): 1669-1681.
[23] Leuangthong, O., Khan, K. D., and Deutsch, C. V. (2011). “Solved problems in geostatistics”. John Wiley & Sons, pp. 208.
[24] Journel, A. G. (1983). “Nonparametric estimation of spatial distributions”. Journal of the International Association for Mathematical Geology, 15(3): 445-468.
[25] Teng, Y., and Koike, K. (2007). “Three-dimensional imaging of a geothermal system using temperature and geological models derived from a well-log dataset”. Geothermics, 36(6): 518-538. 

فایل ها

سابقه مقاله

  • تاریخ دریافت: 25 خرداد 1398
  • تاریخ بازنگری: 02 اردیبهشت 1400
  • تاریخ پذیرش: 02 اردیبهشت 1400

هم رسانی

ارجاع به این مقاله

آمار